Publisher

UMBUMB

Journal SINERGISINERGI Abstract

Pertumbuhan cepat perangkat IoT telah menimbulkan tantangan keamanan yang signifikan, khususnya dalam mendeteksi berbagai jenis serangan dalam lingkungan jaringan yang heterogen. Penelitian ini mengeksplorasi efektivitas teknik balancing data, termasuk Random Under Sampling (RUS), Cost-Sensitive Learning (CSL), Synthetic Minority Oversampling Technique (SMOTE), dan Randomized Combination Sampling (RCS). Metode pemilihan fitur, yaitu korelasi (ambang 0,8) dan mutual information (15 fitur teratas), digunakan untuk mengoptimalkan set fitur. Klasifikasi Decision Tree (DT) dan Linear Discriminant Analysis (LDA) digunakan untuk mengevaluasi kinerja dataset yang seimbang. Metrik evaluasi mencakup akurasi, presisi, recall, F1-score, G-mean, dan kurva ROC. Hasil menunjukkan bahwa SMOTE dan RCS unggul dibandingkan metode balancing lainnya, dengan SMOTE mencapai akurasi tertinggi (98,7%) dan RCS menunjukkan nilai G-mean yang kuat di seluruh teknik pemilihan fitur. DT secara konsisten menunjukkan kinerja yang lebih baik dibandingkan LDA di seluruh metrik, sementara pemilihan fitur secara signifikan meningkatkan hasil klasifikasi, khususnya di bawah kriteria mutual information. Namun, analisis menunjukkan keterbatasan LDA dalam menangani dataset yang tidak seimbang dan fitur berdimensi tinggi. Penelitian ini menyimpulkan bahwa kombinasi teknik balancing data yang canggih dan pemilihan fitur yang efektif secara signifikan meningkatkan akurasi pendeteksian intrusi dalam jaringan IoT. Pekerjaan masa depan akan fokus pada integrasi sistem deteksi real-time dan penjelajahan model hibrida untuk lebih meningkatkan pendeteksian serangan kompleks dalam lingkungan IoT dinamis.

Conclusion

Penelitian ini menyimpulkan bahwa kombinasi teknik balancing data yang canggih dan pemilihan fitur yang efektif secara signifikan meningkatkan akurasi pendeteksian intrusi dalam jaringan IoT.Hasil menunjukkan bahwa SMOTE dan RCS unggul dibandingkan metode balancing lainnya, dengan SMOTE mencapai akurasi tertinggi (98,7%) dan RCS menunjukkan nilai G-mean yang kuat di seluruh teknik pemilihan fitur.DT secara konsisten menunjukkan kinerja yang lebih baik dibandingkan LDA di seluruh metrik, sementara pemilihan fitur secara signifikan meningkatkan hasil klasifikasi, khususnya di bawah kriteria mutual information.Namun, analisis menunjukkan keterbatasan LDA dalam menangani dataset yang tidak seimbang dan fitur berdimensi tinggi.Pekerjaan masa depan akan fokus pada integrasi sistem deteksi real-time dan penjelajahan model hibrida untuk lebih meningkatkan pendeteksian serangan kompleks dalam lingkungan IoT dinamis.

Future Research

Untuk meningkatkan pendeteksian intrusi dalam jaringan IoT, penelitian ini mengusulkan kombinasi teknik balancing data yang canggih dan pemilihan fitur yang efektif. Hasil menunjukkan bahwa SMOTE dan RCS unggul dalam meningkatkan akurasi dan G-mean. Namun, analisis juga menunjukkan keterbatasan LDA dalam menangani dataset yang tidak seimbang dan fitur berdimensi tinggi. Oleh karena itu, penelitian masa depan dapat berfokus pada pengembangan model hibrida yang menggabungkan teknik balancing data dan pemilihan fitur yang lebih canggih, serta mengeksplorasi integrasi sistem deteksi real-time untuk meningkatkan pendeteksian serangan kompleks dalam lingkungan IoT dinamis.

References

1. RT-IoT2022 - UCI Machine Learning Repository. machine learning repository iot2022 donated proprietary... doi.org/10.24432/C5P338RT IoT2022 UCI Machine Learning Repository machine learning repository iot2022 donated proprietary doi 10 24432 C5P338

Metadata

File size	1.29 MB
Pages	14
DMCA	Report