Publisher

UNAMAUNAMA

Journal Jurnal PROCESSORJurnal PROCESSOR Abstract

Deteksi serangan pada jaringan perangkat Internet of Things (IoT) menjadi tantangan penting dalam menjaga keamanan sistem yang semakin kompleks dan rentan terhadap ancaman siber. Sebagai upaya dalam mengatasi permasalahan tersebut, penelitian ini bertujuan untuk mengevaluasi kinerja algoritma K-Nearest Neighbor (KNN) dan Random Forest dalam mendeteksi berbagai jenis serangan pada jaringan perangkat IoT. Dataset yang digunakan adalah Aposemat IoT-23, yang berisi 1.446.599 entri data lalu lintas jaringan dari berbagai jenis serangan seperti Benign, DDoS, Attack, dan lainnya. Tahapan metode meliputi data preprocessing, data cleaning, label encoding, setelah itu dilakukan pelatihan model dan evaluasi menggunakan metrik accuracy, precision, recall, f1-score, ROC-AUC, serta 5-Fold Cross-Validation. Hasil penelitian menunjukkan bahwa algoritma Random Forest memiliki kinerja lebih baik dibandingkan KNN, dengan F1-Macro Score sebesar 0,9396, ROC-AUC 0,9955, serta accuracy sebesar 92,20%. Sementara itu, KNN mencatatkan F1-Macro Score sebesar 0,9256, ROC-AUC 0,9867, dan accuracy sebesar 92,51%. Random Forest juga menunjukkan performa yang lebih stabil pada semua lipatan validasi silang. Berdasarkan temuan ini, Random Forest dinilai lebih efektif dalam mendeteksi serangan pada jaringan IoT.

Conclusion

Random Forest menunjukkan kinerja lebih baik dan stabil dibandingkan K-Nearest Neighbor dalam mendeteksi serangan pada jaringan perangkat IoT.Model Random Forest mencapai akurasi 92,20% dengan F1-Macro Score 0,9396 dan ROC-AUC 0,9955, sedangkan KNN memiliki akurasi 92,51% dengan F1-Macro Score 0,9256 dan ROC-AUC 0,9867.Performa Random Forest lebih stabil di berbagai lipatan validasi silang, menunjukkan keunggulan dalam menangani data berdimensi tinggi dan mengidentifikasi pola serangan kompleks.Penelitian ini membuktikan bahwa Random Forest adalah pilihan optimal untuk sistem deteksi intrusi berbasis pembelajaran mesin di lingkungan IoT.

Future Research

1. Penelitian lanjutan dapat menggali potensi model hybrid yang menggabungkan K-Nearest Neighbor dan Random Forest untuk meningkatkan akurasi deteksi serangan. 2. Analisis pengaruh seleksi fitur terhadap kinerja model pada dataset IoT yang beragam dapat menjadi arah studi baru untuk optimisasi performa. 3. Pengujian model dengan dataset real-time yang lebih luas dan dinamis dapat dilakukan untuk mengevaluasi efektivitas dalam skenario nyata yang lebih kompleks.

References

1. A Comprehensive Survey on Machine Learning‐Based Intrusion Detection Systems for Secure Communication... onlinelibrary.wiley.com/doi/10.1155/2023/8981988A Comprehensive Survey on Machine LearningyAAAaBased Intrusion Detection Systems for Secure Communication onlinelibrary wiley doi 10 1155 2023 8981988
2. A Support Vector Machine Cost Function in Simulated Annealing for Network Intrusion Detection - Advances... astesj.com/v04/i03/p34A Support Vector Machine Cost Function in Simulated Annealing for Network Intrusion Detection Advances astesj v04 i03 p34
3. AETiC >> Archive. aetic archive annals emerging technologies computing iaer editorial board instructions... doi.org/10.33166/AETiC.2021.05.025AETiC Archive aetic archive annals emerging technologies computing iaer editorial board instructions doi 10 33166 AETiC 2021 05 025

Metadata

File size	536.89 KB
Pages	12
DMCA	Report