Lewati ke konten
SDGs Center UDINUS

Catatan bukti · UDINUS · SDGs

Sistem Deteksi Intrusi sebagai Audit pada Infrastruktur IoT Menggunakan Pembelajaran Ensemble dan Metode SMOTE

Rektorat UDINUS 2019 Terbit 2026-10-30

Catatan bukti · UDINUS · SDGs

Unit
Rektorat UDINUS
Periode
2019
Tujuan
Nomor
d7a50d4d-ef03-465f-a839-2a40e7b2510d
Terbit
2026-10-30

Universitas Dian Nuswantoro melaksanakan penelitian mengenai sistem deteksi intrusi untuk infrastruktur Internet of Things melalui pendekatan pembelajaran ensemble dan teknik synthetic minority over-sampling yang dikenal sebagai SMOTE. Kegiatan ini melibatkan peneliti UDINUS Kurniawan, Aldhi Ari; Santoso, Heru Agus; Soeleman, M. Arief; dan Fanani, Ahmad Zainul sebagai peserta penelitian.

Penelitian tersebut membahas peningkatan penggunaan sistem berbasis IoT dalam konteks revolusi industri 4.0. Sumber menyebutkan penggunaan IoT dalam bidang kesehatan, manufaktur, perencanaan perkotaan, perumahan, dan otomotif. Sumber juga mengidentifikasi pertimbangan keamanan yang berkaitan dengan integritas data, privasi, dan stabilitas layanan. Melalui deteksi intrusi, aktivitas pada sistem IoT dapat dianalisis untuk menentukan apakah terdapat aktivitas mencurigakan yang dapat mengganggu atau mengancam layanan IoT.

Kegiatan ini menanggapi tingkat alarm palsu yang tinggi pada pendekatan deteksi intrusi yang dilaporkan dalam beberapa penelitian terdahulu. UDINUS mengusulkan penggunaan pembelajaran mesin, khususnya pembelajaran ensemble yang dikombinasikan dengan SMOTE, sebagai pendekatan untuk mendeteksi intrusi pada sistem IoT. Penelitian ini mengkaji apakah pendekatan yang diusulkan dapat memberikan kinerja yang lebih baik dibandingkan pembelajaran dasar dan pendekatan yang digunakan dalam penelitian terdahulu sebagai metode deteksi intrusi.

Hasil yang dilaporkan menunjukkan bahwa pendekatan yang diusulkan dapat mendeteksi intrusi dan mengklasifikasikannya ke dalam lima jenis, yaitu normal intrusion, probe, dos, r2l, dan u2r. Evaluasi melaporkan akurasi sebesar 97,02%, detection rate sebesar 97%, dan false alarm rate sebesar 0,16%. Hasil tersebut dilaporkan sebagai peningkatan kinerja deteksi intrusi dibandingkan pembelajaran dasar dan pendekatan dari penelitian terdahulu. Namun, kinerja waktu pemrosesan belum menunjukkan hasil yang memuaskan.

Kegiatan ini berkaitan dengan inovasi dan infrastruktur melalui analisis keamanan berbasis pembelajaran mesin untuk infrastruktur IoT. Sumber juga mengidentifikasi perencanaan perkotaan sebagai salah satu bidang penggunaan sistem berbasis IoT. Kegiatan ini dibingkai secara kelembagaan sebagai penelitian UDINUS yang membahas deteksi intrusi dan pertimbangan keamanan dalam sistem IoT.

Rujukan https://www.scopus.com/pages/publications/85080968182?origin=resultslist