Deteksi Serangan pada Jaringan IoT Menggunakan Seleksi Fitur Gabungan dan Optimasi Bayesian

Deteksi serangan berbasis machine learning (ML) berpotensi menjadi alternatif terbaik dalam penanganan ancaman siber pada jaringan internet of things (IoT). Metode ini memiliki kemampuan untuk menangani berbagai jenis serangan baru yang terus berkembang. Namun, makin banyaknya jumlah data yang dihasilkan dan penggunaan nilai-nilai parameter bawaan dari algoritma ML menyebabkan penurunan kinerja metode ini. Penelitian ini mengusulkan metode seleksi fitur gabungan (hybrid) yang dikombinasikan dengan optimasi Bayesian untuk meningkatkan efektivitas dan efisiensi model deteksi serangan. Metode seleksi fitur gabungan ini menggabungkan teknik filter korelasi, untuk menghapus fitur-fitur yang berkorelasi tinggi dengan cepat, dan teknik feature importance, untuk memilih fitur-fitur yang berpengaruh besar terhadap model. Selain itu, teknik optimasi Bayesian bertujuan menemukan nilai optimal secara efisien dari parameter-parameter algoritma ML yang tangguh dan ringan digunakan pada jaringan IoT, yaitu decision tree dan random forest. Kemudian, model yang dibangun dievaluasi menggunakan dataset serangan terbaru, yaitu CICIoT2023, yang terdiri atas tujuh jenis serangan, yaitu distributed denial of service (DDoS), denial of service (DoS), Mirai, spoofing, reconnaissance, serangan berbasis website, dan brute force. Hasil evaluasi menunjukkan bahwa teknik seleksi fitur gabungan menghasilkan kinerja model yang lebih efisien daripada beberapa teknik seleksi fitur tunggal dengan memilih 5 dari 46 fitur. Selain itu, teknik optimasi Bayesian juga berhasil menemukan nilai optimal dari parameter-parameter model untuk meningkatkan kinerja model pada tingkat akurasi, presisi, recall, dan F1 hingga 99,74% serta penurunan waktu komputasi hingga 97,41%. Berdasarkan hasil penelitian ini, model deteksi serangan menggunakan seleksi fitur gabungan dan optimasi Bayesian dapat menjadi rujukan dalam penerapan keamanan siber pada jaringan IoT.