Awaludin Akbar

Deteksi anomali jaringan merupakan aspek penting dalam menjaga keamanan jaringan, khususnya pada lingkungan Internet of Things (IoT) dan Industrial Internet of Things (IIoT) yang menghasilkan lalu lintas data dalam jumlah besar dan bersifat dinamis. Penelitian ini bertujuan membandingkan kinerja algoritma Random Forest dan Long Short-Term Memory (LSTM) dalam mendeteksi anomali jaringan menggunakan Dataset Edge-IIoTset. Penelitian menerapkan pendekatan Temporal Knowledge Extrapolation (TKE) melalui ekstraksi fitur waktu dari atribut Timestamp, transformasi label menjadi klasifikasi biner, normalisasi data, serta pembentukan sequence menggunakan metode Sliding Window dengan ukuran 10 timesteps. Dataset dibagi menjadi data pelatihan dan data pengujian dengan rasio 80:20, kemudian dievaluasi menggunakan Accuracy, Precision, Recall, F1-score, dan Confusion Matrix. Hasil pengujian menunjukkan bahwa Random Forest memperoleh akurasi sebesar 99,98%, sedangkan LSTM memperoleh akurasi sebesar 99,95%. Random Forest menunjukkan keunggulan dari sisi akurasi dan efisiensi komputasi, sementara LSTM lebih mampu memanfaatkan hubungan temporal pada data jaringan. Hasil penelitian menunjukkan bahwa kedua metode efektif diterapkan untuk deteksi anomali jaringan pada lingkungan IoT dan IIoT. Kata Kunci: Deteksi Anomali, IoT, IIoT, Edge-IIoTset, Random Forest, LSTM, Sliding Window, Temporal Knowledge Extrapolation.