Optimasi Logistic Regression untuk Deteksi Serangan DoS pada Keamanan IoT
Open Access
- 30 March 2024
- journal article
- Published by STIKOM Bali in Jurnal Eksplora Informatika
- Vol. 13 (2) , 245-252
Abstract
Keamanan perangkat Internet of Things (IoT) merupakan prioritas utama karena potensi risiko kerusakan perangkat dan kebocoran data yang dapat berdampak serius. Perangkat IoT telah membawa manfaat signifikan ke berbagai sektor, seperti kesehatan, transportasi, dan industri, namun tingkat serangan terhadapnya terus meningkat. Dalam mengatasi tantangan ini, pendekatan machine learning digunakan dengan memanfaatkan dataset CIC IOT ATTACKS 2023 dari University of New Brunswick. Untuk menghasilkan data yang berkualitas, dilakukan random undersampling untuk mengatasi ketidakseimbangan data, dan seleksi fitur menggunakan Recursive Feature Elimination untuk mendapatkan fitur terbaik. Pemilihan Logistic Regression sebagai algoritma pemodelan dipilih dengan pertimbangan yang matang. Logistic Regression dipilih karena kemampuannya memberikan interpretasi yang jelas terhadap kontribusi relatif setiap fitur terhadap prediksi keamanan perangkat IoT. Selain itu, model ini efisien secara komputasional, mengatasi ketidakseimbangan data, dan tahan terhadap overfitting, yang semuanya merupakan faktor krusial dalam konteks keamanan IoT. Hasil penelitian menunjukkan bahwa penggunaan Logistic Regression bersamaan dengan seleksi fitur memberikan tingkat akurasi tertinggi mencapai 97%, dengan waktu pemrosesan yang efisien sekitar 11 detik. Dari hasil ini, dapat disimpulkan bahwa kombinasi teknik random undersampling dan seleksi fitur menggunakan Recursive Feature Elimination secara positif memengaruhi akurasi pada model Logistic Regression, menjadikannya pilihan yang sesuai untuk meningkatkan keamanan perangkat IoT.Keywords
This publication has 12 references indexed in Scilit:
- Impurity-Based Important Features for feature selection in Recursive Feature Elimination for Stock Price ForecastingJurnal Teknik Industri Terintegrasi, 2023
- A Model‐Free Feature Selection Technique of Feature Screening and Random Forest‐Based Recursive Feature EliminationInternational Journal of Intelligent Systems, 2023
- Enhanced Recursive Feature Elimination for IoT Intrusion Detection Systems2022
- Analisis Sentimen E-Wallet di Twitter Menggunakan Support Vector Machine dan Recursive Feature EliminationJURNAL MEDIA INFORMATIKA BUDIDARMA, 2021
- Analisa Sentimen Data Text Preprocessing Pada Data Mining Dengan Menggunakan Machine LearningJBASE - Journal of Business and Audit Information Systems, 2021
- Anomaly detection in Internet of Things using feature selection and classification based on Logistic Regression and Artificial Neural Network on N-BaIoT dataset2021
- Hybrid-Recursive Feature Elimination for Efficient Feature SelectionApplied Sciences, 2020
- PENERAPAN REGRESI LOGISTIK DALAM PENENTUAN FAKTOR YANG MEMPENGARUHI JUMLAH WISATAWAN ECOTOURISM DESA BEDONOJURNAL ENGGANO, 2020
- Handling Imbalanced Ratio for Class Imbalance Problem Using SMOTE2019
- Using recursive feature elimination in random forest to account for correlated variables in high dimensional dataBMC Genetics, 2018