Analisis Performa Sistem Deteksi Intrusi pada Jaringan IoT Menggunakan Ensemble Learning dan Decision Tree

Abstract

Serangan siber, terutama Distributed Denial of Service (DDoS), mengancam keamanan jaringan Internet of Things (IoT). Penelitian ini menganalisis performa sistem deteksi intrusi menggunakan ensemble learning (LightGBM, XGBoost, CatBoost) Decision Tree dan Random Forest pada dataset CIC-BCCC-NRC TabularIoTAttack-2024, yang mencakup serangan seperti DDoS TCP Flood, MITM ARP Spoofing, dan Reconnaissance Scan. Proses melibatkan pra-pemrosesan dengan SMOTE untuk menyeimbangkan kelas dan seleksi fitur menggunakan SHAP. Tantangan utama adalah deteksi kelas Recon Port Scan dan Recon OS Scan akibat tumpang tindih fitur. Hasil menunjukkan Ensemble mencapai akurasi 99,21%, F1-score 99,21%, dan log loss 0,0672, diikuti LightGBM sebagai model tunggal dengan akurasi 97,58% dan log loss 0,0795. Decision Tree memiliki akurasi (86,48%) terendah dibanding model lain akibat overfitting. LightGBM lebih efisien (inference time 292,43 detik) dibandingkan Ensemble (891,04 detik), menjadikannya solusi optimal untuk deteksi serangan IoT.