Skripsi S1

Record Data Skripsi S1
MhswID :
200401071
Judul :
DETEKSI SERANGAN DALAM EKOSISTEM IoT MELALUI ANALISIS MULTI-CLASS DENGAN MODEL XGBOOST DAN PENERAPAN TEKNIK IMBALANCE RATIO PADA DATASET IoTID20
Penulis :
MUHAMMAD AL-IKHSAN RANGKUTI
Abstrak :
Penelitian ini berfokus pada deteksi serangan dalam ekosistem Internet of Things (IoT) menggunakan algoritma XGBoost dan teknik Imbalance Ratio pada dataset IoTID20. Tujuan utama adalah mengatasi masalah ketidakseimbangan data yang umum terjadi pada dataset IDS dan meningkatkan akurasi dalam mengklasifikasikan jenis serangan. Metodologi yang digunakan meliputi preprocessing data, seleksi fitur, dan penerapan teknik Imbalance Ratio untuk menangani ketidakseimbangan kelas pada dataset IoTID20. Selanjutnya, model XGBoost diimplementasikan dengan parameter scale_pos_weight untuk menangani masalah ketidakseimbangan kelas. Model ini dilatih pada data training dan dievaluasi menggunakan metrik seperti akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa kombinasi algoritma XGBoost dan teknik Imbalance Ratio mampu mengatasi masalah ketidakseimbangan data secara efektif. Model yang dihasilkan mencapai tingkat akurasi 99,32%, presisi 99,32%, recall 99,32%, dan F1-score 99,32% dalam mengklasifikasikan jenis serangan pada dataset IoTID20. Hasil ini menunjukkan kemampuan yang sangat baik dalam mendeteksi serangan dan membedakan antara lalu lintas normal dan anomali dalam ekosistem IoT. Penelitian ini memberikan kontribusi dalam meningkatkan keamanan jaringan IoT dengan menerapkan pendekatan Machine Learning yang efektif untuk mendeteksi serangan secara akurat, sekaligus menangani masalah ketidakseimbangan data yang sering terjadi pada dataset IDS. Kata Kunci: Internet of Things (IoT), XGBoost, Imbalance Ratio, Ketidakseimbangan Data, Deteksi Serangan, Dataset IoTID20, Klasifikasi.
Abstrak Inggris :
This research focuses on attack detection in the Internet of Things (IoT) ecosystem using the XGBoost algorithm and Imbalance Ratio techniques on the IoTID20 dataset. The main objective is to address the common issue of data imbalance in IDS datasets and to improve accuracy in classifying types of attacks. The methodology includes data preprocessing, feature selection, and the application of the Imbalance Ratio technique to handle class imbalance in the IoTID20 dataset. Subsequently, the XGBoost model is implemented with the scale_pos_weight parameter to address the class imbalance issue. This model is trained on the training data and evaluated using metrics such as accuracy, precision, recall, and F1-score. The results show that the combination of the XGBoost algorithm and the Imbalance Ratio technique effectively addresses the data imbalance issue. The resulting model achieves an accuracy of 99.32%, precision of 99.32%, recall of 99.32%, and F1-score of 99.32% in classifying attack types on the IoTID20 dataset. These results demonstrate excellent capability in detecting attacks and distinguishing between normal and anomalous traffic in the IoT ecosystem. This research contributes to enhancing IoT network security by applying an effective Machine Learning approach for accurately detecting attacks while addressing the frequent data imbalance issue in IDS datasets. Keywords: Internet of Things (IoT), XGBoost, Imbalance Ratio, Data Imbalance, Attack Detection, IoTID20 Dataset, Classification
Tahun :
2024
Na :
A
Loading, updating changes...



UPT. Perpustakaan & UPT. TIPD UMRI

  • Kampus Utama : Jl. Tambusai / Jl. Nangka, Kecamatan Tampan
  • Kota Pekanbaru, Provinsi Riau

    E-Mail : pustaka@umri.ac.id - Website : http://lib.umri.ac.id - Smart Library : http://smartlib.umri.ac.id - Jurnal : http://jurnal.umri.ac.id

    Smartlib v1.3 © 2019 UPT TIPD UMRI. All Rights Reserved.