MODEL MACHINE LEARNING UNTUK KLASIFIKASI ANOMALI SERANGAN DENIAL OF SERVICE (DOS) PADA INFRASTRUKTUR JARINGAN MENGGUNAKAN DATASET CIC IIOT 2025

Tri Swastiningsih; Rudi Kurniawan; Elmayati Elmayati; Nelly Khairani Daulay

doi:10.31539/y01jc532

Authors

Tri Swastiningsih Universitas Bina Insan
Rudi Kurniawan Universitas Bina Insan
Elmayati Elmayati Universitas Bina Insan
Nelly Khairani Daulay Universitas Bina Insan

DOI:

https://doi.org/10.31539/y01jc532

Abstract

Perkembangan Industrial Internet of Things (IIoT) meningkatkan efisiensi sistem industri, namun juga meningkatkan risiko serangan siber, khususnya Denial of Service (DoS) yang dapat mengganggu ketersediaan layanan jaringan. Penelitian ini bertujuan untuk membangun dan mengevaluasi model machine learning dalam mengklasifikasikan anomali serangan DoS pada infrastruktur IIoT menggunakan dataset CIC IIoT 2025. Dataset ini memuat trafik normal (benign) serta berbagai jenis serangan DoS seperti TCP SYN Flood, UDP Flood, ICMP Flood, dan MQTT Publish Flood. Permasalahan ketidakseimbangan data ditangani menggunakan metode Synthetic Minority Over-sampling Technique (SMOTE). Tiga algoritma supervised learning digunakan, yaitu Random Forest, XGBoost, dan Support Vector Machine (SVM). Evaluasi dilakukan menggunakan metrik accuracy, precision, recall, F1-score, confusion matrix, ROC-AUC, serta K-Fold Cross Validation. Hasil penelitian menunjukkan bahwa Random Forest dan XGBoost memperoleh akurasi tertinggi sebesar 97%, sedangkan SVM memperoleh akurasi 95%. Secara keseluruhan, menunjukkan performa paling stabil dalam mendeteksi berbagai variasi serangan DoS. Random Forest Penelitian ini berkontribusi dalam pengembangan sistem deteksi intrusi berbasis machine learning untuk meningkatkan keamanan jaringan IIoT.

Kata Kunci: IIoT, Denial of Service, Machine Learning, SMOTE.

References

[1] A. Selay et al, “Internet of Things,” Encycl. Wirel. Networks, vol. 1, p. 664, 2020, doi: Encyclopedia of Wireless Networks.

[2] and S. L. L. Da Xu, W. He, “Internet of Things in Industries: A Survey,” IEEE Trans. Ind. Informatics, vol. 10, pp. 2233–2243, 2014.

[3] E. C. P. Neto et al, “CICIoT2023: A Real-Time Dataset and Benchmark for Large-Scale Attacks in IoT Environment,” Sensors, vol. 23, 2023, doi: 10.3390/s23135941.

[4] and A. M. R. C. W. Kojansow, P. D. K. Manembu, “Using WebSocket communication,” using WebSocket Commun., vol. 19, pp. 259–269, 2024.

[5] and T. W. H. Boyes, B. Hallaq, J. Cunningham, “The Industrial Internet of Things (IIoT): An Analysis Framework,” Comput. Ind., vol. 101, pp. 1–12, 2018, doi: 10.1016/j.compind.2018.04.015.

[6] D. Chaitanya and G. Arindam, “Analysis of Denial-of-Service attacks on Wireless Sensor Networks Using Simulation.”

[7] S. M. Mousavi and M. St-Hilaire, “Early Detection of DDoS Attacks Using Self-Organizing Maps,” IEEE Int. Conf. Commun., 2015.

[8] A. Decision and C. Tree, “Identifikasi Serangan Denial of Service (DoS) di Jaringan dengan Decision Tree,” Wahana Tridarma Perguru. Tinggi, vol. 73, no. 2, pp. 13–29, 2021.

[9] and F. F. M. Mujiono, D. A. Larasati, M. Hemansyah, “Deteksi Anomali dalam Sistem Keamanan Jaringan Menggunakan Teknik Supervised Machine Learning,” J. Esensi Infokom, vol. 1, pp. 65–69, 2025, doi: 10.55886/infokom.v9i1.971.

[10] and E. D. K. R. Arunika, L. Joni, “Perbandingan Model SARIMA, Exponential Smoothing, dan XGBoost untuk Prediksi,” vol. 13, 2021.

[11] B. N. Nuzululnisa and H. Hairani, “Analisis Kinerja Model Random Forest dengan Teknik Manhattan-SMOTE pada Deteksi Fraud Transaksi Kartu Kredit Imbalance,” pp. 65–71, 2025.

[12] D. F. and R. Rianti, “Dalam Lalu Lintas Jaringan Menggunakan Naive,” vol. 5, pp. 140–148, 2023.