Perkembangan Internet of Things (IoT) pada lingkungan smart home meningkatkan risiko terjadinya serangan siber sehingga diperlukan mekansime deteksi yang mampu mengidentifikasi aktivitas berbahaya secara akurat. Penelitian ini bertujuan membandingkan performa algoritma Random Forest, LightGBM, dan CatBoost dalam mengklasifikasikan serangan pada jaringan IoT smart home. Dataset yang digunakan berasal dari COMNETS Research Group dan diproses melalui tahapan preprocessing, pembagian data latih dan data uji, pelatihan model, serta evaluasi menggunakan confusion matrix dengan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa ketiga algoritma memiliki performa klasifikasi yang sangat baik dengan nilai accuracy di atas 99%. Random Forest dan LightGBM memperoleh accuracy sebesar 0.9991, sedangkan CatBoost memperoleh accuracy sebesar 0.9990. Berdasarkan hasil evaluasi, Random Forest menunjukkan performa terbaik karena menghasilkan keseimbangan precison dan recall yang lebih baik serta jumlah false negative yang lebih rendah dibandingkan algoritma lainnya. Dengan demikian, Random Forest menjadi algoritma yang lebih efektif untuk klasifikasi serangan pada jaringan IoT smart home.

Kata Kunci: Internet of Things, Smart Home, Intrusin Detection System, Machine Learning, Random Forest, LightGBM, CatBoost.

Komparasi Algoritma Machine Learning untuk Klasfikasi Serangan IoT Smarthome

FALKI ANUGRAH AKBAR

Klasifikasi serangan pada jaringan IoT smart home menggunakan algoritma machine learning. Tiga algoritma, yaitu Random Forest, LightGBM, dan CatBoost, dibandingkan berdasarkan hasil evaluasi performanya. 

Komparasi Algoritma Machine Learning untuk Klasifikasi Serangan IoT Smarthome

Creators & Authors