Perbandingan Algoritma Decision Tree dan K-Nearest Neighbor untuk Klasifikasi Serangan Jaringan IoT

Abstract

Seiring dengan perkembangan jumlah penggunaan Internet of Things yang terus meningkat dan meluas. Ancaman keamanan pada jaringan IoT juga meningkat. Terdapat beberapa teknik yang diterapkan untuk mengatasi ancaman keamanan ini. Salah satunya adalah teknik untuk mengklasifikasi suatu aktivitas yang termasuk dalam serangan atau bukan beserta jenis serangannya. Machine learning dapat dimanfaatkan untuk proses pengklasifikasian ini. Diantara algoritma machine learning yang dapat digunakan untuk penelitian ini adalah pendekatan algoritma Decision Tree dan K-Nearest Neighbor. Penelitian ini bertujuan untuk mendapatkan hasil klasifikasi terbaik untuk mendeteksi jenis serangan jaringan IoT baik dalam klasifikasi biner maupun klasifikasi multikleas. Dalam penelitian ini memanfaatkan Dataset Edge-IIoTset Cyber Security Dataset of IoT & IIoT. Hasil nilai evaluasi yang didapatkan menunjukkan bahwa performa algoritma Decision Tree lebih baik dibandingkan dengan Algoritma KNN. Dengan selisih nilai presisi, recall, F1-score, dan akurasi secara berurutan adalah 0.15, 0.18, 0.17 dan 0.08 dalam klasifikasi biner. Sedangkan dalam klasifikasi multikelas mendapatkan nilai selisih antar kedua algoritma sebesar 0.26, 0.20, 0.22, dan 0.23 secara berurutan untuk presisi, recall, F1-score, dan akurasi.