Perkembangan Internet of Things (IoT) mendorong berkembangnya lingkungan smart home yang meningkatkan volume trafik jaringan sekaligus memperluas potensi celah keamanan, sementara pendekatan deteksi berbasis signature dan rule based kurang efektif mengenali pola serangan baru. Penelitian ini menerapkan metode Isolation Forest, sebuah pendekatan unsupervised learning, untuk mendeteksi anomali pada trafik jaringan smart home tanpa memerlukan data berlabel. Data yang digunakan merupakan trafik jaringan smart home hasil ekstraksi network flow dari file PCAP yang diperoleh dari COMNETS Research Group, yang diolah melalui tahap pengumpulan data, ekstraksi fitur, praproses data, penerapan model, hingga evaluasi menggunakan anomaly score, confusion matrix, dan ROC curve pada beberapa skenario pembagian data. Hasil pengujian pada skenario 80:20 menunjukkan model mampu memisahkan distribusi anomaly score data normal dan attack secara jelas pada threshold optimal -0,4850, dengan Accuracy 99,89%, Precision 99,94%, Recall 99,94%, F1-Score 99,94%, dan AUC ROC 96,39%, dan hasil ini konsisten pada seluruh skenario pembagian data yang diuji. Penelitian ini membuktikan bahwa Isolation Forest merupakan metode yang efektif, ringan, dan efisien untuk mendeteksi anomali pada trafik jaringan smart home tanpa memerlukan label data.

DETEKSI ANOMALI TRAFIK JARINGAN SMARTHOME MENGGUNAKAN ISOLATION FOREST

Prawirangga Caesar Nagef Putra Baladewa

Deteksi anomali pada trafik jaringan IoT smart home menggunakan algoritma Isolation Forest. Model dievaluasi berdasarkan anomaly score dan distribusi data untuk mengidentifikasi karakteristik trafik yang terdeteksi sebagai anomali.

Deteksi Anomali Trafik Jaringan Smarthome Menggunakan Isolation Forest

Creators & Authors