Perbandingan Kinerja Algoritma Dalam Klasifikasi Serangan DDoS Berdasarkan Data CIC IoMT Dataset
DOI:
https://doi.org/10.52958/iftk.v21i2.11467Keywords:
Internet_of_Things, Internet_of_Medical_Things, Distributed_Denial_of_Service, Machine LearningAbstract
Dengan semakin luasnya penerapan Internet of Things (IoT) di berbagai sektor, termasuk sektor medis dengan teknologi Internet of Medical Things (IoMT), serangan Distributed Denial of Service (DDoS) menjadi ancaman serius bagi keberlangsungan sistem. Penelitian ini membandingkan empat algoritma machine learning Random Forest, LightGBM, Naïve Bayes, dan K-Nearest Neighbors (KNN) untuk mendeteksi serangan DDoS pada IoMT. Evaluasi dilakukan berdasarkan akurasi dan waktu komputasi yang berjalan secara paralel menggunakan pendekatan Weighted Sum Method. Hasil menunjukkan bahwa Random Forest memiliki performa terbaik dengan skor 0.971578, diikuti oleh Naïve Bayes dengan skor 0.961235. Meskipun KNN memiliki akurasi tinggi, algoritma ini kurang efisien secara waktu, sedangkan LightGBM menunjukkan performa terendah dalam hal akurasi dan efisiensi. Penelitian ini diharapkan dapat memberikan kontribusi dalam pengembangan sistem deteksi ancaman siber yang cepat dan akurat pada lingkungan IoMT.
References
E. W. Ramadani, R. D. K. A. Harahap, and R. Fibriani, “Cybercrime Punishment Formulation Using Methods DDoS Attack Regarding Websites from a Positive Legal Perspective,” J. Huk. Prasada, vol. 12, no. 1, pp. 26–35, 2025, doi: 10.22225/jhp.12.1.2025.26-35.
F. Prasetyo Eka Putra, S. Mellyana Dewi, and A. Hamzah, “Jurnal Sistim Informasi dan Teknologi https://jsisfotek.org/index.php Privasi dan Keamanan Penerapan IoT Dalam Kehidupan Sehari-Hari : Tantangan dan Implikasi,” J. Sistim Inf. dan Teknol., vol. 5, no. 2, pp. 26–32, 2023, doi: 10.37034/jsisfotek.v5i1.232.
F. Kamalov, B. Pourghebleh, M. Gheisari, Y. Liu, and S. Moussa, “Internet of Medical Things Privacy and Security: Challenges, Solutions, and Future Trends from a New Perspective,” Sustain., vol. 15, no. 4, 2023, doi: 10.3390/su15043317.
S. Dadkhah, E. C. P. Neto, R. Ferreira, R. C. Molokwu, S. Sadeghi, and A. Ghorbani, “CICIoMT2024: Attack Vectors in Healthcare devices-A Multi-Protocol Dataset for Assessing IoMT Device Security,” J. Comput. Commun., 2024, doi: 10.20944/preprints202402.0898.v1.
K. B. Dasari and N. Devarakonda, “Detection of DDoS Attacks Using Machine Learning Classification Algorithms,” Int. J. Comput. Netw. Inf. Secur., vol. 14, no. 6, pp. 89–97, 2022, doi: 10.5815/ijcnis.2022.06.07.
A. Ghourabi, “A Security Model Based on LightGBM and Transformer to Protect Healthcare Systems From Cyberattacks,” IEEE Access, vol. 10, pp. 48890–48903, 2022, doi: 10.1109/ACCESS.2022.3172432.
M. Salles and F. M. C. B. Domingos, “Towards the next generation of species delimitation methods: an overview of Machine Learning applications,” pp. 1–17, 2023, doi: https://doi.org/10.32942/X2W313.
G. A. B. Suryanegara, Adiwijaya, and M. D. Purbolaksono, “Peningkatan Hasil Klasifikasi pada Algoritma Random Forest untuk Deteksi Pasien Penderita Diabetes Menggunakan Metode Normalisasi,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 5, no. 1, pp. 114–122, 2021, doi: 10.29207/resti.v5i1.2880.
P. Bruce, A. Bruce, P. Gedeck, and an O. M. C. Safari, Practical Statistics for Data Scientists, 2nd Edition, 2nd ed., vol. 2. Sebastopol: O’Reilly Media, Inc., 2020. [Online]. Available: https://www.oreilly.com/library/view/practical-statistics-for/9781491952955/
E. Erlin, Y. Desnelita, N. Nasution, L. Suryati, and F. Zoromi, “Dampak SMOTE terhadap Kinerja Random Forest Classifier berdasarkan Data Tidak seimbang,” MATRIK J. Manajemen, Tek. Inform. dan Rekayasa Komput., vol. 21, no. 3, pp. 677–690, 2022, doi: 10.30812/matrik.v21i3.1726.
Y. Deng, “Design of Industrial IoT Intrusion Security Detection System Based on LightGBM Feature Algorithm and Multi-layer Perception Network,” J. Cyber Secur. Mobil., vol. 13, no. 2, pp. 327–348, 2024, doi: 10.13052/jcsm2245-1439.1327.
R. M. A. Haseeb-ur-rehman et al., “High-Speed Network DDoS Attack Detection: A Survey,” Sensors, vol. 23, no. 15, 2023, doi: 10.3390/s23156850.
C. T. Tran, “Ensemble Learning Approaches for Classification With High-Dimensional Data,” J. Sci. Tech., vol. 12, no. 01, pp. 83–96, 2023, doi: 10.56651/lqdtu.jst.v12.n1.659.ict.
I. Almomani, A.; Alazab, M.; Alharkan, “A hybrid model for detecting DDoS attacks in cloud computing environments,” Comput. Secur., 2020, doi: 10.1016/j.cose.2020.101603.
S. Haribalaji and P. Ranjana, “Distributed Denial of Service (DDOS) Attack Detection Using Classification Algorithm,” in 2024 International Conference on Advances in Data Engineering and Intelligent Computing Systems (ADICS), IEEE, Apr. 2024, pp. 1–6. doi: 10.1109/ADICS58448.2024.10533510.
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Fikri Azhari, Bayu Hananto, Iin Ernawati
This work is licensed under a Creative Commons Attribution 4.0 International License.
KEBIJAKAN YANG DIAJUKAN UNTUK JURNAL YANG MENAWARKAN AKSES TERBUKA
Syarat yang harus dipenuhi oleh Penulis sebagai berikut:
- Penulis menyimpan hak cipta dan memberikan jurnal hak penerbitan pertama naskah secara simultan dengan lisensi di bawah Creative Commons Attribution License yang mengizinkan orang lain untuk berbagi pekerjaan dengan sebuah pernyataan kepenulisan pekerjaan dan penerbitan awal di jurnal ini.
- Penulis bisa memasukkan ke dalam penyusunan kontraktual tambahan terpisah untuk distribusi non ekslusif versi kaya terbitan jurnal (contoh: mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan penerbitan awalnya di jurnal ini.
- Penulis diizinkan dan didorong untuk mem-posting karya mereka online (contoh: di repositori institusional atau di website mereka) sebelum dan selama proses penyerahan, karena dapat mengarahkan ke pertukaran produktif, seperti halnya sitiran yang lebih awal dan lebih hebat dari karya yang diterbitkan. (Lihat Efek Akses Terbuka).
Download Template
