Keterhubungan perangkat Internet of Things (IoT) pada ekosistem smarthome secara terus-menerus memicu celah keamanan serius. Salah satu ancaman terbesar adalah serangan Man-In-The-Middle (MITM), seperti ARP Spoofing, yang sulit dideteksi oleh sistem keamanan tradisional berbasis aturan (rule-based). Oleh karena itu, penelitian ini mengusulkan pendekatan Unsupervised Learning menggunakan kombinasi Principal Component Analysis (PCA) dan K-Means Clustering untuk mendeteksi serta memvisualisasikan pola anomali trafik jaringan. Data lalu lintas jaringan dikumpulkan melalui simulasi menggunakan framework Xerosploit dan diekstraksi dengan CICFlowmeter hingga menghasilkan 989 baris data. Tahap pra-pemrosesan menerapkan Log Transformation dan RobustScaler, dilanjutkan reduksi dimensi menggunakan PCA menjadi dua komponen utama. Berdasarkan Elbow Method, konfigurasi jumlah kelompok optimal diperoleh pada nilai k=3, yang mengklasifikasikan trafik secara akurat menjadi Kluster 0 (Serangan MITM: 646 data), Kluster 1 (Normal Aktif: 158 data), dan Kluster 2 (Normal Idle: 185 data). Evaluasi performa model menunjukkan hasil yang sangat optimal dengan nilai Silhouette Score sebesar 0,8055, Davies-Bouldin Index (DBI) sebesar 0,2911, serta Calinski-Harabasz Index (CHI) sebesar 5236,5290. Integrasi metode ini terbukti berhasil memberikan visualisasi spasial 2D yang ringan, intuitif, dan akurat untuk mitigasi ancaman siber pada rumah pintar.
Kata Kunci: Internet of Things, Smarthome, Man-In-The-Middle, Unsupervised Learning, PCA, K-Means Clustering.


VISUALISASI SERANGAN MAN IN THE MIDDLE (MITM) PADA JARINGAN IOT SMARTHOME MENGGUNAKAN UNSUPERVISED LEARNING

Creators & Authors