Susanto

Internet of Things (IoT) menjadi salah satu tren 4.0 revolusi teknologi, itu tidak hanya mengubah pandangan teknologi tetapi juga membawa banyak utilitas. IoT memiliki karakteristik yang berbeda dari teknologi lain. Dilihat dari karakteristik yang dimiliki oleh IoT dimana seluruh perangkat jaringan yang heterogen, dan dijadikan dalam satu aplikasi, maka akan menghasilkan trafik yang besar. Jaringan yang heterogen dan trafik yang besar berdampak pada skalabibitas dimensionalitas data, sehingga memunculkan peluang terjadinya serangan botnet. berbagai macam penelitian IDS telah dilakukan, namun masih dihadapkan pada masalah utama yaitu dimensionality, false alarm, scalability, dan computational time. Salah satu pendekatan yang dapat digunakan dalam menyelesaikan masalah scalability adalah dengan Teknik dimensionality reduction, namun dalam penelitian sebelumnya memiliki beberapa isu yaitu (i) masih sedikit yang menguji deteksi botnet IoT, (ii) masih sedikit yang menguji high dimensionality data pada deteksi malware botnet IoT, (iii) masih sedikit yang menguji scalabilitas pada deteksi malware botnet IoT, (iv) masih sedikit yang memaparkan nilai false alarm pada deteksi malware botnet IoT, (iv) masih sedikit deteksi botnet IoT dengan menggunakan data unbalanced. Oleh karena itu penelitian ini bertujuan untuk 1) merancang pendekatan baru dimensionality reduction pada IoT dengan large number of scalability dan unbalanced; 2) merancang metode baru deteksi malware botnet pada IoT dengan large number of scalability dan unbalanced, yang memiliki akurasi yang tinggi dengan menggunakan multi klasifikasi dan optimasi klasifikasi; 3) menguji performa metode baru deteksi malware botnet pada IoT dengan large number of scalability dan unbalanced; 4) memvisualisasikan pendekatan baru feature dimensionality reduction deteksi malware botnet pada IoT. Berdasarkan hasil eksperimen, metode dimensionality reduction dapat mengurangi skalabilitas pada deteksi botnet. Pada eksperimen ini menggunakan beberapa metode dimensionality reduction yaitu LDA, fastICA, T-SVD, dan RP. Kemudian untuk klasifikasinya menggunakan metode Adaboost, Decision Tree, k-NN, dan GradientBoosting tetapi pada Random Forest. Hasilnya menunjukan bahwa metode dimensionality reduction dapat mengurangi skalabilitas pada deteksi botnet, namun terjadi sedikit penurunan akurasi sehingga diperlukan optimasi klasifikasi. Selanjutnya peneliti menggunakan hyperparameter optimization evolutionary algorithm dalam mengoptimalkan akurasi klasifikasi. Hasilnya memperlihatkan bahwa optimasi klasifikasi dapat meningkatkan akurasi klasifikasi pada Adaboost, Decision Tree, k-NN, dan GradientBoosting. Dari hasil optimasi saat menggunakan 2 fitur, LDA dan metode klasifikasi k-NN memiliki nilai akurasi paling tinggi nilai akurasi 99,88%, Precision 0,9985; Sensitivity 0,9962; Specificity 0,9999; FPR 0,0001 dan FNR 0,0038. Sedangkan menggunakan 3 fitur, T-SVD dan metode klasifikasi k-NN memiliki nilai akurasi paling tinggi 99,98%; Precision 0,9996; Sensitivity 0,9989; Specificity 0,9999; FPR 0,0001 dan FNR 0,0011.