Klasifikasi Serangan Pada Jaringan Internet of Thing (IoT): Tinjauan Literatur Komparatif
DOI:
https://doi.org/10.17977/um068v3i12023p47-53Keywords:
Klasifikasi serangan, Machine Learning, Deep Learning, Internet of ThingsAbstract
The Internet of Things (IoT) is now an important part of human daily life, especially in the fields of industry, transportation, and health. However, the complexity and security vulnerabilities of IoT networks have led to an increase in cyberattacks that threaten user privacy and security. Early detection of attacks that will be carried out on IoT networks can prevent crimes that threaten user privacy and security. In this study, a comparative literature review was conducted on several Machine Learning (ML) and Deep Learning (DL) methods used to classify IoT network attacks. The results of the literature review show that the Random Forest (RF) method has very good performance in classifying attacks on IoT networks.
Internet of Things (IoT) sekarang menjadi bagian penting kehidupan sehari-hari manusia, terutama dalam bidang industri, transportasi, dan kesehatan. Namun, kompleksitas dan rentannya keamanan pada jaringan IoT menyebabkan peningkatan serangan siber yang mengancam privasi dan keamanan pengguna. Deteksi dini serangan yang akan dilakukan pada jaringan IoT dapat menghindarkan kejahatan yang mengancam privasi dan keamanan pengguna. Pada penelitian ini, dilakukan tinjauan literatur komparatif terhadap beberapa metode Machine Learning (ML) dan Deep Learning (DL) yang digunakan untuk mengklasifikasikan serangan jaringan IoT. Hasil tinjauan literatur menunjukkan bahwa metode Random Forest (RF) memiliki performa yang sangat baik dalam mengklasifikasikan serangan pada jaringan IoT.
References
Afifaturahman, A. D. (2021). Perbandingan algoritma k-nearest neighbour (knn) dan naive bayes menggunakan parameter metric accuracy, sensitivity dan specificity pada Intrusion Detection System (IDS) (Doctoral Dissertation). Universitas Siliwangi.
Alfian, B., & Stiawan, D. (2022). Klasifikasi serangan udp flood pada jaringan internet of things (iot) menggunakan metode Support Vector Machine (SVM). Sriwijaya University.
Alsamiri, J., & Alsubhi, K. (2019). Internet of things cyber attacks detection using machine learning. International Journal of Advanced Computer Science and Applications, 10(12).
Andika, R., & Stiawan, D. (2018). Pengenalan pola serangan denial of service (udp flood) pada jaringan Internet of Things (IOT) dengan algoritma decision tree C4. 5 (Doctoral dissertation, Sriwijaya University). Sriwijaya University.
Aprianti, W., & Deris, S. (2021). Implementasi Principal Component Analysis (PCA) Dan Algoritma Naïve Bayes Classifier Pada Klasifikasi Botnet di Jaringan Internet of Things (IoT). Sriwijaya University.
Azmi, M. M. (2022). Deteksi serangan ddos tingkat rendah pada SD-IOT menggunakan svm dan logistic regression coefficient (Doctoral dissertation, Universitas Muhammadiyah Malang). Universitas Muhammadiyah Malang.
Bimantara, A., & Stiawan, D. (2021). Klasifikasi botnet pada jaringan internet of things (iot) menggunakan autoencoder dan Artificial Neural Network (ANN) (Doctoral dissertation, Sriwijaya University). Sriwijaya University.
Churcher, A., Ullah, R., Ahmad, J., Ur Rehman, S., Masood, F., Gogate, M., & Buchanan, W. J. (2021). An experimental analysis of attack classification using machine learning in IoT networks. Sensors, 21(2), 446.
Hasan, M., Islam, M. M., Zarif, M. I. I., & Hashem, M. M. A. (2019). Attack and anomaly detection in IoT sensors in IoT sites using machine learning approaches. Internet of Things, 7, 100059.
Karanja, E. M., Masupe, S., & Jeffrey, M. G. (2020). Analysis of internet of things malware using image texture features and machine learning techniques. Internet of Things, 9, 100153.
Kurniabudi, K., Harris, A., & Rosanda, E. (2022). Optimalisasi Seleksi Fitur Untuk Deteksi Serangan Pada IoT Menggunakan Classifier Subset Evaluator. JURIKOM (Jurnal Riset Komputer), 9(4), 885–893.
Marlo, C., & Stiawan, D. (2022). Visualisasi data serangan udp flood pada jaringan internet of things (iot) menggunakan algoritma naive bayes classifier (Doctoral dissertation, Sriwijaya University). Sriwijaya University.
Naeem, H., Ullah, F., Naeem, M. R., Khalid, S., Vasan, D., Jabbar, S., & Saeed, S. (2020). Malware detection in industrial internet of things based on hybrid image visualization and deep learning model. Ad Hoc Networks, 105, 102154.
Nascita, A., Cerasuolo, F., Di Monda, D., Garcia, J. T. A., Montieri, A., & Pescape, A. (2022). Machine and deep learning approaches for IoT attack classification. IEEE INFOCOM 2022-IEEE Conference on Computer Communications Workshops (INFOCOM WKSHPS), 1–6.
Nihri, H., Pramukantoro, E. S., & Trisnawan, P. H. (2018). Pengembangan IDS Berbasis J48 Untuk Mendeteksi Serangan DoS Pada Perangkat Middleware IoT. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer E-ISSN, 2548, 964X.
Rafsanjani, M. S., Suryani, V., & Pahlevi, R. R. (2022). Deteksi Serangan Botnet Pada Jaringan Internet Of Things Menggunakan Algoritma Random Forest (rf). EProceedings of Engineering, 9(3).
Riskilah, M. K., Yulianto, F. A., & Jadied, E. M. (2022). Studi Analisis Algoritma NaÏve Bayes Untuk Sistem Deteksi Intrusi Pada Internet Of Things. EProceedings of Engineering, 9(3).
Sandriana, A., & Maulana, F. (2022). Klasifikasi serangan malware terhadap lalu lintas jaringan Internet of Things menggunakan Algoritma K-Nearest Neighbour (K-NN). E-JOINT (Electronica and Electrical Journal Of Innovation Technology), 3(1), 12–22.
Sofa, E. L., & Subiyanto, S. (2020). Routing Attacs pada Internet Of Things Berbasis Smart Intrution Detecion System. Jurnal Teknologi Informasi Dan Ilmu Komputer, 7(2), 329–338.
Winanto, E. A., Kurniabudi, K., Sharipuddin, S., Wijaya, I. S., & Sandra, D. (2022). Deteksi Serangan pada Jaringan Kompleks IoT menggunakan Recurrent Neural Network. JURIKOM (Jurnal Riset Komputer), 9(6), 1996–2002.
3.png)
1.png)
1.png)
