Analisis Penerapan Algoritma Machine Learning Untuk Deteksi Anomali Pada Trafik Internet Of Things Menggunakan Model Ensemble Learning

Latar Belakang: Deteksi Anomali pada trafik IoT menjadi semakin kompleks seiring dengan meningkatnya variasi serangan dan volume data. Algoritma machine learning tunggal sering mengalami overfitting dan kesulitan dalam menangani
distribusi data yang tidak seimbang, yang dapat menyebabkan turunnya akurasi deteksi. Untuk mengatasi hal ini, metode ensemble learning menjadi solusi yang efektif.
Tujuan: Penelitian ini bertujuan untuk menganalisis penerapan algoritma machine learning dengan model ensemble learning menggunakan teknik stacking, dengan mengombinasikan beberapa algoritma base learner dan menggunakan SVM sebagai meta learner untuk mendeteksi anomali secara multiclass pada trafik IoT.
Metode Penelitian: Penelitian ini menggunakan dataset ACI IoT 2023 dan dianalisis melalui berbagai tahapan preprocesing. Menggunakan teknik SMOTE untuk menangani ketidakseimbangan data dengan strategi sampling kustom. Reduksi dimensi dengan PCA. Base learner yang digunakan adalah DT, RF, NB, dan LR. Evaluasi dilakukan menggunakan 5-fold stratified cross validation dengan metrix akurasi, presisi, recall, F1-score, dan ROC AUC.
Hasil: Model stacking dengan SVM sebagai meta learner menghasilkan akurasi sebesar 86.62% dan nilai ROC AUC sebesar 91.95%. Kurva ROC menunjukkan nilai AUC tinggi pada sebagian besar kelas, yang menunjukkan kemampuan model dalam mengidentifikasi jenis anomali secara akurat.
Kesimpulan: Penerapan model ensemble learning dengan teknik stacking terbukti efektif dalam meningkatkan akurasi deteksi anomali pada trafik IoT, khususnya pada data berskala besar dan tidak seimbang.