PDSIPDSI
Bulletin of Informatics and Data ScienceBulletin of Informatics and Data ScienceInternet of Things (IoT) telah mengalami perkembangan pesat dalam beberapa tahun terakhir dan kini digunakan di berbagai sektor kritis, termasuk industri, kesehatan, dan transportasi. Namun, semakin banyaknya perangkat IoT yang terhubung juga memperluas permukaan serangan, sehingga sistem rentan terhadap risiko keamanan siber yang lebih besar. Jumlah besar data yang dihasilkan oleh perangkat IoT yang heterogen merupakan tantangan signifikan bagi sistem deteksi intrusi (IDS), yang harus beroperasi secara efisien dan akurat di bawah kondisi ini. Deteksi intrusi di jaringan IoT umumnya dilakukan menggunakan algoritma pembelajaran mesin, yang membutuhkan data fitur yang bersih dan relevan untuk mencapai kinerja klasifikasi optimal. Namun, tidak semua fitur yang tersedia berkontribusi secara bermakna dalam proses klasifikasi. Fitur yang tidak relevan atau redundant dapat menurunkan akurasi model dan meningkatkan biaya komputasi.
Penelitian ini mengevaluasi efektivitas Autoencoder sebagai metode reduksi fitur untuk sistem deteksi serangan pada jaringan IoT.Tiga algoritma pembelajaran mesin digunakan untuk analisis komparatif.K-Nearest Neighbors (KNN), Naive Bayes (NB), dan Support Vector Machine (SVM).Dataset dievaluasi baik sebelum maupun setelah reduksi fitur menggunakan Autoencoder, dengan kinerja dinilai berdasarkan akurasi, presisi, recall, F1-score, waktu pelatihan, dan jumlah fitur.Hasil eksperimen menunjukkan bahwa Autoencoder dapat mengurangi jumlah fitur hingga 30% tanpa menurunkan kinerja secara signifikan.Bahkan, model NB dan SVM menunjukkan peningkatan dalam akurasi dan efisiensi pelatihan.Model KNN menunjukkan penurunan kinerja minimal, yang tetap dalam batas yang dapat diterima.Secara keseluruhan, Autoencoder terbukti sebagai metode yang efektif untuk reduksi fitur, mempertahankan atau bahkan meningkatkan efisiensi dan kinerja deteksi.Temuan ini mendukung penggunaan Autoencoder sebagai teknik seleksi fitur yang efisien dalam sistem deteksi serangan berbasis IoT.
Berdasarkan hasil penelitian, beberapa saran penelitian lanjutan dapat diusulkan. Pertama, perlu dilakukan penelitian lebih lanjut untuk mengeksplorasi variasi Autoencoder, seperti Autoencoder sparse, denoising, dan variational, untuk mengatasi tantangan spesifik seperti reduksi kebisingan, deteksi anomali, dan pembelajaran representasi. Kedua, penelitian dapat dilakukan untuk mengevaluasi kinerja Autoencoder dalam mengidentifikasi serangan yang lebih kompleks dan beragam dalam konteks IoT, di mana data cenderung lebih kompleks, beragam, dan sering tidak seimbang antar kelas. Ketiga, penelitian dapat berfokus pada pengembangan sistem deteksi serangan yang lebih efisien dan akurat dengan menggabungkan Autoencoder dengan teknik seleksi fitur lainnya, seperti Recursive Feature Elimination (RFE), untuk meningkatkan kinerja secara keseluruhan.
| File size | 359.38 KB |
| Pages | 7 |
| DMCA | Report |
Related /
UNSURYAUNSURYA Algoritma Naïve Bayes menunjukkan akurasi yang lebih tinggi dibandingkan Decision Tree dalam memprediksi diabetes melitus, yaitu 73,48% berbanding 70,87%.Algoritma Naïve Bayes menunjukkan akurasi yang lebih tinggi dibandingkan Decision Tree dalam memprediksi diabetes melitus, yaitu 73,48% berbanding 70,87%.
IKMIIKMI Caesar Cipher diterapkan pada data berbasis huruf melalui pergeseran karakter, sedangkan Atbash Cipher digunakan untuk data numerik dengan substitusi digitCaesar Cipher diterapkan pada data berbasis huruf melalui pergeseran karakter, sedangkan Atbash Cipher digunakan untuk data numerik dengan substitusi digit
LODDOSINSTITUTELODDOSINSTITUTE Sebaliknya, faktor non-akademik seperti kegiatan ekstrakurikuler dan kemampuan interpersonal memberikan kontribusi yang lebih rendah. Temuan ini dapatSebaliknya, faktor non-akademik seperti kegiatan ekstrakurikuler dan kemampuan interpersonal memberikan kontribusi yang lebih rendah. Temuan ini dapat
IKMIIKMI 93 lebih tinggi dibandingkan dengan model baseline all input sebesar 0. 88. Seleksi fitur berbasis korelasi meningkatkan kekuatan prediktif model Regresi93 lebih tinggi dibandingkan dengan model baseline all input sebesar 0. 88. Seleksi fitur berbasis korelasi meningkatkan kekuatan prediktif model Regresi
STTSSTTS Dalam penelitian ini, kami mengusulkan pendekatan baru yang didasarkan pada pembelajaran multi-view dengan NN (MVNN), yang memanfaatkan berbagai pandanganDalam penelitian ini, kami mengusulkan pendekatan baru yang didasarkan pada pembelajaran multi-view dengan NN (MVNN), yang memanfaatkan berbagai pandangan
IRPIIRPI 025 entri dengan 14 fitur, yang telah melalui tahap preprocessing, termasuk normalisasi, seleksi fitur, dan pembagian data 80:20 serta 70:30. Evaluasi025 entri dengan 14 fitur, yang telah melalui tahap preprocessing, termasuk normalisasi, seleksi fitur, dan pembagian data 80:20 serta 70:30. Evaluasi
UMGUMG Hasil analisis menunjukkan bahwa atribut jumlah penjualan (Qty) memiliki pengaruh terbesar dalam klasifikasi dengan akurasi model mencapai 97.17%. PenelitianHasil analisis menunjukkan bahwa atribut jumlah penjualan (Qty) memiliki pengaruh terbesar dalam klasifikasi dengan akurasi model mencapai 97.17%. Penelitian
IOINFORMATICIOINFORMATIC Merujuk hasil penelitian yang dilaksanakan, bisa disimpulkan bahwsanya analisis sentimen dapat menjadi alat yang efektif untuk memahami pendapat masyarakatMerujuk hasil penelitian yang dilaksanakan, bisa disimpulkan bahwsanya analisis sentimen dapat menjadi alat yang efektif untuk memahami pendapat masyarakat
Useful /
PPSUNIYAPPPSUNIYAP Secara simultan, kedua variabel ini memberikan kontribusi sebesar 36% terhadap turnover intention, sementara sisanya dipengaruhi faktor lain. Temuan iniSecara simultan, kedua variabel ini memberikan kontribusi sebesar 36% terhadap turnover intention, sementara sisanya dipengaruhi faktor lain. Temuan ini
IRPIIRPI Hasil eksperimen pada data menunjukkan bahwa Boruta efektif dalam meningkatkan metrik utama (akurasi, recall, dan AUC). Model Gradient Boosting meraihHasil eksperimen pada data menunjukkan bahwa Boruta efektif dalam meningkatkan metrik utama (akurasi, recall, dan AUC). Model Gradient Boosting meraih
SAINSSAINS Sampel diambil dengan menggunakan teknik purposive, yaitu pengambilan sampel berdasarkan karakteristik tertentu. Data dalam penelitian ini dianalisis denganSampel diambil dengan menggunakan teknik purposive, yaitu pengambilan sampel berdasarkan karakteristik tertentu. Data dalam penelitian ini dianalisis dengan
SAINSSAINS Penelitian ini menganalisis biaya produksi strategi kedai Es Kepo di Siliwangi, Sukabumi, dengan menghitung biaya bahan baku, tenaga kerja, dan overheadPenelitian ini menganalisis biaya produksi strategi kedai Es Kepo di Siliwangi, Sukabumi, dengan menghitung biaya bahan baku, tenaga kerja, dan overhead