STMIK ROYALSTMIK ROYAL

JURTEKSI (jurnal Teknologi dan Sistem Informasi)JURTEKSI (jurnal Teknologi dan Sistem Informasi)

Penelitian deteksi anomali Internet of Things (IoT) telah menunjukkan performa klasifikasi yang tinggi, namun sebagian besar masih berfokus pada accuracy dan F1-score tanpa mengendalikan false positive rate (FPR) secara eksplisit. Selain itu, banyak pendekatan hanya memanfaatkan satu perspektif deteksi sehingga reliabilitas operasionalnya masih terbatas. Untuk mengatasi kesenjangan tersebut, penelitian ini mengusulkan kerangka deteksi anomali hybrid yang mengintegrasikan Long Short-Term Memory (LSTM), Shannon entropy, dan autoencoder reconstruction error. Shannon entropy digunakan sebagai fitur tambahan, sedangkan LSTM dan autoencoder menangkap karakteristik temporal dan deviasi rekonstruksi. Representasi hybrid yang dihasilkan kemudian diproses melalui mekanisme constraint-based threshold selection dengan batas FPR. Hasil pengujian pada dataset TON-IoT dan Edge-IIoTset menghasilkan F1-score rata-rata sebesar 0,9250 dan 0,9934, dengan FPR rata-rata sebesar 0,0091 dan 0,0714. Perbedaan nilai entropy yang konsisten antara trafik normal dan anomali pada kedua dataset menunjukkan bahwa Shannon entropy menyediakan informasi diskriminatif untuk deteksi anomali. Hasil tersebut menunjukkan performa deteksi yang kuat dengan false alarm yang terkendali, sementara studi ablasi mengonfirmasi kontribusi signifikan Shannon entropy terhadap performa model.

Penelitian ini berhasil menunjukkan bahwa mekanisme pemilihan ambang batas berbasis constraint dapat menjaga tingkat alarm palsu dalam batas operasional yang telah ditetapkan sambil mempertahankan kinerja deteksi anomali yang kuat di berbagai distribusi lalu lintas IoT.Temuan lebih lanjut menegaskan bahwa menggabungkan karakteristik temporal, distribusi, dan rekonstruksi meningkatkan keandalan deteksi, dengan entropy Shannon berkontribusi secara signifikan terhadap kinerja dan stabilitas model.Penelitian selanjutnya dapat mengembangkan mekanisme ambang batas adaptif yang secara dinamis menyesuaikan batas FPR untuk mengakomodasi pergeseran distribusi dan mengevaluasi performa model dalam lingkungan IoT real-time yang lebih kompleks.

Bagaimana mekanisme ambang batas adaptif dapat disesuaikan secara dinamis untuk mempertahankan tingkat FPR yang konsisten ketika pola serangan IoT berubah seiring waktu, serta apakah pendekatan ini dapat diimplementasikan secara real-time pada edge devices? Apakah integrasi pembelajaran penguatan atau transfer learning dapat meningkatkan respons adaptif model terhadap perubahan distribusi lalu lintas, dan bagaimana efektivitasnya dibandingkan dengan metode konvensional dalam skenario jaringan IoT skala besar? Bagaimana pemanfaatan ensemble model yang memadukan berbagai perspektif deteksi (temporal, distribusi, rekonstruksi) dapat memperkuat ketahanan model terhadap serangan zero-day, dan seberapa besar peningkatan kinerja yang dapat dicapai dengan menambahkan komponen tambahan seperti analisis jaringan atau analitik perilaku pengguna?.

  1. The base-rate fallacy and the difficulty of intrusion detection | ACM Transactions on Information and... dl.acm.org/doi/10.1145/357830.357849The base rate fallacy and the difficulty of intrusion detection ACM Transactions on Information and dl acm doi 10 1145 357830 357849
  2. Deep Learning for Time Series Anomaly Detection: A Survey | ACM Computing Surveys. deep learning time... doi.org/10.1145/3691338Deep Learning for Time Series Anomaly Detection A Survey ACM Computing Surveys deep learning time doi 10 1145 3691338
Read online
File size446.71 KB
Pages8
DMCAReport

Related /

ads-block-test