Analisis Kinerja Algoritma K-Nearest Neighbor Dan Random Forest Untuk Deteksi Serangan Pada Jaringan Perangkat IoT

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 validasi silang 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.