Optimasi Logistic Regression untuk Deteksi Serangan DoS pada Keamanan IoT
Article Sidebar
Main Article Content
Abstract
Keamanan perangkat Internet of Things (IoT) merupakan prioritas utama karena potensi risiko kerusakan perangkat dan kebocoran data yang dapat berdampak serius. Perangkat IoT telah membawa manfaat signifikan ke berbagai sektor, seperti kesehatan, transportasi, dan industri, namun tingkat serangan terhadapnya terus meningkat. Dalam mengatasi tantangan ini, pendekatan machine learning digunakan dengan memanfaatkan dataset CIC IOT ATTACKS 2023 dari University of New Brunswick. Untuk menghasilkan data yang berkualitas, dilakukan random undersampling untuk mengatasi ketidakseimbangan data, dan seleksi fitur menggunakan Recursive Feature Elimination untuk mendapatkan fitur terbaik. Pemilihan Logistic Regression sebagai algoritma pemodelan dipilih dengan pertimbangan yang matang. Logistic Regression dipilih karena kemampuannya memberikan interpretasi yang jelas terhadap kontribusi relatif setiap fitur terhadap prediksi keamanan perangkat IoT. Selain itu, model ini efisien secara komputasional, mengatasi ketidakseimbangan data, dan tahan terhadap overfitting, yang semuanya merupakan faktor krusial dalam konteks keamanan IoT. Hasil penelitian menunjukkan bahwa penggunaan Logistic Regression bersamaan dengan seleksi fitur memberikan tingkat akurasi tertinggi mencapai 97%, dengan waktu pemrosesan yang efisien sekitar 11 detik. Dari hasil ini, dapat disimpulkan bahwa kombinasi teknik random undersampling dan seleksi fitur menggunakan Recursive Feature Elimination secara positif memengaruhi akurasi pada model Logistic Regression, menjadikannya pilihan yang sesuai untuk meningkatkan keamanan perangkat IoT.
Downloads
Article Details
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Jurnal Eksplora Informatika bersifat open access, yaitu dapat diakses secara umum tanpa dikenakan biaya. Penulis yang menerbitkan artikelnya di Jurnal Eksplora Informatika setuju dengan ketentuan berikut:
- Penulis memegang hak cipta dan memberikan hak publikasi pertama kepada Jurnal Eksplora Informatika menggunakan lisensi Creative Commons Attribution-ShareAlike 4.0.
- Penulis diizinkan untuk mengarsipkan/menggunggah/meyimpan artikel mereka, misalnya dalam repositori institusional atau situs web/blog penulis, namun diharapkan agar memberikan rincian bibliografi yang menghargai publikasi di jurnal ini.
- Jurnal Eksplora Informatika berhak untuk menyediakan artikel dalam berbagai bentuk dan media, sehingga artikel dapat digunakan untuk teknologi terbaru bahkan setelah dipublikasikan.
- Jurnal Eksplora Informatika berhak untuk menegakkan hak-hak atas nama penulis pada artikel terhadap pihak ketiga. Misalnya dalam kasus plagiarisme atau pelanggaran hak cipta.
References
E. C. P. Neto, S. Dadkhah, R. Ferreira, A. Zohourian, R. Lu, and A. A. Ghorbani, “CICIoT2023: A Real-Time Dataset and Benchmark for Large-Scale Attacks in IoT Environment,” Sensors, vol. 23, no. 13, Jul. 2023, doi: 10.3390/s23135941.
M. Zolanvari, M. A. Teixeira, and R. Jain, “Effect of Imbalanced Datasets on Security of Industrial IoT Using Machine Learning.”
IEEE Communications Society, Global IT Research Institute, and Institute of Electrical and Electronics Engineers, The 24th International Conference on Advanced Communication Technology: conference proceedings: Phoenix Park, Pyeongchang, Korea (South) (on-line conference): Feb. 13-16, 2022.
N. Noorhalim, A. Ali, and S. M. Shamsuddin, “Handling Imbalanced Ratio for Class Imbalance Problem Using SMOTE,” in Proceedings of the Third International Conference on Computing, Mathematics and Statistics (iCMS2017), Springer Singapore, 2019, pp. 19–30. doi: 10.1007/978-981-13-7279-7_3.
A. Ilham1, “KOMPARASI ALGORITMA KLASIFIKASI DENGAN PENDEKATAN LEVEL DATA UNTUK MENANGANI DATA KELAS TIDAK SEIMBANG,” Jurnal Ilmiah Ilmu Komputer, vol. 3, no. 1, 2017, [Online]. Available: http://ejournal.fikom-unasman.ac.id
A. Mudi, P. 1, W. Febri, R. Sudirman, R. J. Musridho, and F. Amalia, “Impurity-Based Important Features for feature selection in Recursive Feature Elimination for Stock Price Forecasting,” 2023, doi: 10.31004/jutin.v6i4.17726.
E. F. Saraswita, D. P. Rini, and A. Abdiansah, “Analisis Sentimen E-Wallet di Twitter Menggunakan Support Vector Machine dan Recursive Feature Elimination,” JURNAL MEDIA INFORMATIKA BUDIDARMA, vol. 5, no. 4, p. 1195, Oct. 2021, doi: 10.30865/mib.v5i4.3118.
A. Rezaei Barzani, P. Pahlavani, O. Ghorbanzadeh, and P. Ghamisi, “How the recursive feature elimination affects the SVM and RF for wildfire modeling? A mountainous case study area”, doi: 10.5194/egusphere-2022-1294.
S. Xia and Y. Yang, “A Model-Free Feature Selection Technique of Feature Screening and Random Forest-Based Recursive Feature Elimination,” International Journal of Intelligent Systems, vol. 2023, 2023, doi: 10.1155/2023/2400194.
B. F. Darst, K. C. Malecki, and C. D. Engelman, “Using recursive feature elimination in random forest to account for correlated variables in high dimensional data,” BMC Genet, vol. 19, Sep. 2018, doi: 10.1186/s12863-018-0633-8.
F. Abbasi, M. Naderan, and S. E. Alavi, “Anomaly detection in Internet of Things using feature selection and classification based on Logistic Regression and Artificial Neural Network on N-BaIoT dataset,” in Proceedings of 2021 5th International Conference on Internet of Things and Applications, IoT 2021, Institute of Electrical and Electronics Engineers Inc., May 2021. doi: 10.1109/IoT52625.2021.9469605.
S. H. Lee, Y. L. Shiue, C. H. Cheng, Y. H. Li, and Y. F. Huang, “Detection and Prevention of DDoS Attacks on the IoT,” Applied Sciences (Switzerland), vol. 12, no. 23, Dec. 2022, doi: 10.3390/app122312407.
B. Hakim, “Analisa Sentimen Data Text Preprocessing Pada Data Mining Dengan Menggunakan Machine Learning,” JBASE - Journal of Business and Audit Information Systems, vol. 4, no. 2, Aug. 2021, doi: 10.30813/jbase.v4i2.3000.
A. Syukron and A. Subekti, “Penerapan Metode Random Over-Under Sampling dan Random Forest untuk Klasifikasi Penilaian Kredit,” JURNAL INFORMATIKA, vol. 5, no. 2, 2018.
H. Jeon and S. Oh, “Hybrid-recursive feature elimination for efficient feature selection,” Applied Sciences (Switzerland), vol. 10, no. 9, May 2020, doi: 10.3390/app10093211.
M. G. Ismail, M. A. El Ghany, and M. A. M. Salem, “Enhanced Recursive Feature Elimination for IoT Intrusion Detection Systems,” in 2022 International Conference on Microelectronics, ICM 2022, Institute of Electrical and Electronics Engineers Inc., 2022, pp. 193–196. doi: 10.1109/ICM56065.2022.10005438.
W. A. Setyati, S. Sunaryo, A. Rezagama, A. K. Widodo, and M. F. A. Yulianto, “PENERAPAN REGRESI LOGISTIK DALAM PENENTUAN FAKTOR YANG MEMPENGARUHI JUMLAH WISATAWAN ECOTOURISM DESA BEDONO,” JURNAL ENGGANO, vol. 5, no. 1, pp. 11–22, Apr. 2020, doi: 10.31186/jenggano.5.1.11-22.
