Perbandingan Model Klasifikasi untuk Deteksi Trafik Berbahaya pada Jaringan IoT Menggunakan Dataset IoT-23

Reihan Athar Zildaniar, Dr. Warsun Najib, S.T., M.Sc.;Dani Adhipta, S.Si., M.T.

2026 | Skripsi | TEKNOLOGI INFORMASI

Pertumbuhan perangkat Internet of Things (IoT) yang sangat pesat disertai keterbatasan keamanan bawaan menjadikan jaringan IoT rentan terhadap berbagai ancaman siber seperti botnet, serangan distributed denial-of-service (DDoS), dan malware. Intrusion Detection System (IDS) berbasis machine learning merupakan salah satu pendekatan yang menjanjikan untuk mendeteksi trafik berbahaya. Namun, penerapan IDS pada lingkungan IoT menuntut keseimbangan antara kemampuan deteksi dan efisiensi komputasi karena perangkat IoT umumnya memiliki sumber daya terbatas. Penelitian ini bertujuan membandingkan tiga model klasifikasi, yaitu Logistic Regression (LR), XGBoost, dan Convolutional Neural Network satu dimensi (CNN1D), dalam mendeteksi trafik berbahaya pada Dataset IoT-23 menggunakan kondisi evaluasi yang seragam. Metodologi yang digunakan meliputi praproses data dari Dataset IoT-23 berupa berkas conn.log, klasifikasi biner antara trafik normal dan berbahaya, serta pelatihan dan evaluasi ketiga model menggunakan fitur, pembagian data, dan protokol evaluasi yang sama. Kinerja deteksi diukur menggunakan metrik precision, recall, dan F1-score, sedangkan efisiensi komputasi diukur melalui waktu pelatihan dan inferensi. Hasil penelitian menunjukkan bahwa XGBoost mengungguli CNN1D dan LR pada hampir semua metrik deteksi. XGBoost memperoleh F1-score kelas berbahaya 0,9931 dan macro F1-score 0,9659, lebih tinggi dibanding CNN1D (0,9633 dan 0,7033) maupun LR (0,9573 dan 0,6107). XGBoost juga menekan false alarm rate hingga 0,16%, jauh di bawah CNN1D (71,09%) dan LR (84,72%). Dari sisi efisiensi komputasi, XGBoost hanya memerlukan waktu pelatihan 5 detik dibanding 26 detik pada LR dan 1.875 detik pada CNN1D, dengan latensi inferensi 0,94 mikrodetik per sampel dan ukuran model 1,24 MB. Berdasarkan keseimbangan antara kinerja deteksi dan efisiensi komputasi, XGBoost direkomendasikan sebagai model IDS pada jaringan IoT yang memiliki keterbatasan sumber daya.

The rapid proliferation of Internet of Things (IoT) devices, coupled with their inherent security limitations, has made IoT networks increasingly vulnerable to cyber threats such as botnets, distributed denial-of-service (DDoS) attacks, and malware. Machine learning-based Intrusion Detection Systems (IDS) represent a promising approach to detecting malicious network traffic. However, deploying IDS in IoT environments demands a balance between detection capability and computational efficiency, as IoT devices are generally resource-constrained. This study compares three classification models, namely Logistic Regression (LR), XGBoost, and one-dimensional Convolutional Neural Network (CNN1D), in detecting malicious traffic on the IoT-23 Dataset under uniform evaluation conditions. The methodology involved preprocessing conn.log data from the IoT-23 Dataset, performing binary classification between benign and malicious traffic, and training and evaluating all three models using identical features, data splits, and evaluation protocols. Detection performance was measured using precision, recall, and F1-score, while computational efficiency was assessed through training and inference time. XGBoost outperformed CNN1D and LR across nearly all detection metrics. XGBoost achieved an F1-score of 0.9931 for the malicious class and a macro F1-score of 0.9659, higher than CNN1D (0.9633 and 0.7033) and LR (0.9573 and 0.6107). XGBoost also reduced the false alarm rate to 0.16%, far below CNN1D (71.09%) and LR (84.72%). In terms of computational efficiency, XGBoost required only 5 seconds of training compared to 26 seconds for LR and 1,875 seconds for CNN1D, with an inference latency of 0.94 microseconds per sample and a model size of 1.24 MB. Considering the balance between detection performance and computational efficiency, XGBoost is recommended as an IDS model for resource-constrained IoT network environments.

Kata Kunci : intrusion detection, Internet of Things, machine learning, XGBoost, keamanan jaringan