Deteksi Serangan Botnet Pada Jaringan Internet Of Things Menggunakan Algoritma Random Forest(rf)
DOI:
https://doi.org/10.34818/eoe.v9i3.17988Abstract
Abstrak Perkembangan Internet of Things belakangan ini sangatlah pesat, hal tersebut terlihat dari meningkatnya jumlah pengguna berbagai perangkat IoT dari waktu ke waktu. IoT dapat menghubungkan berbagai device dan saling bertukar data melalui jaringan internet. Namun dalam pengimplementasian teknologi tersebut, terdapat berbagai macam ancaman. Salah satu ancaman serius pada teknologi IoT yaitu serangan DDOS melalui perantara Botnet (Robot Network). Serangan tersebut telah menjadi penyebab risiko keamanan yang cukup serius terhadap jaringan Internet selama beberapa tahun ini. seperti masalah yang banyak terjadi pada privasi , keamanan, konfigurasi sistem , kontrol akses, dan verifikasi. Oleh karena itu, perlu adanya sistem pendeteksian serangan botnet dengan menggunakan algoritma Random forest. Dimana Random forest dipilih karena, algoritma tersebut sangat optimal dalam proses deteksi serangan dengan jumlah data yang besar dibanding algoritma lainnya. Pada tugas akhir ini, menggunakan dataset yang berasal dari UNSW Canberra yaitu Bot-IoT UNSW-2018 dataset dan Algoritma Random forest digunakan pada proses klasifikasi serangan botnet. Setelah dilakukan pengujian, Algoritma Random Forest dapat bekerja dengan baik dalam melakukan deteksi terhadap serangan botnet. Dimana pada fitur attack didapat nilai accuracy sebesar 99.27% sedangkan pada fitur category nilai accuracy sebesar 99.43% dan fitur subcategory nilai accuracy sebesar 98.86%, category 97.97% dan subcategory 83.77%, dengan pembagian data train 80%,data test 30% dan jumlah n estimators 200. Kata Kunci : Botnet, Internet of Things, Machine Learning, Random ForestReferences
[1] S. Li, L. Da Xu, and S. Zhao, “The internet of things: a survey,” Inf. Syst. Front., vol. 17, no. 2, pp. 243–259, 2015, doi: 10.1007/s10796-014-9492-7.
[2] D. Wahyudi, “Deteksi serangan denial of service menggunakan rule based signatureanalysis pada jaringan internet of things,” 2018.
[3] Kaspersky,2019 https://www.kaspersky.com/about/press-releases/2019_iot-under-firekaspersky-detects-more-than-100-million-attacks-on-smart-devices-in-h1-2019 [Accessed 24 may 2021]
[4] Kalaivani, P., & Vijaya, M. S. 2016. Mining Based Detection of Botnet Traffic in Network Flow. International Journal of Computer Science and Information Technology & Security: 535-541.
[5] D. N. Fuadin, D. Pembimbing, P. Magister, D. T. Elektro, and F. T. Elektro, “Deteksi Botnet Menggunakan Naïve Bayes,” Thesis Fuadin, Didin Nizarul, 2017.
[6] Rizky Tri Wiyono, “Network Forensics untuk Aktifitas Botnet pada Internet of Things dengan Machine Learning” [Online] Available https://openlibrary.telkomuniversity.ac.id/home/catalog/id/164996/slug/networkforensics-untuk-aktifitas-botnet-pada-internet-of-things dengan-machine-learning.html [accessed 7 mei 2021]
[7] B. Abraham, A. Mandya, R. Bapat, F. Alali, D. E. Brown, and M. Veeraraghavan, “A Comparison of Machine Learning Approaches to Detect Botnet Traffic,” Proc. Int. Jt. Conf. Neural Networks, vol. 2018-July, pp. 1–8, 2018, doi: 10.1109/IJCNN.2018.8489096.
[8] D. Zhao et al.,2013 “Botnet detection based on traffic behavior analysis and flow intervals,” Comput. Secur., vol. 39, no. PARTA, pp. 2–16, 2013, doi: 10.1016/j.cose.2013.04.007.
[9] Suwarno, E. 2017. Prediksi Kualitas Air Danau Toba Menggunakan Extreme Learning Machine. Skripsi. Universitas Sumatera Utara.
[10] A. T. Wibowo, Implementasi Algoritma Deteksi Spam Yang Tersisipi Informasi Citra Dengan Metode Svm Dan Random Forest. 2016.
[11] M. F. Fibrianda and A. Bhawiyuga, “Analisis Perbandingan Akurasi Deteksi Serangan Pada Jaringan Komputer Dengan Metode Naïve Bayes Dan Support Vector Machine (SVM),” J. Pengemb. Teknol. Inf. dan Ilmu Komputer., vol. 2, no. 9, pp. 3112–3123, 2018.
[12] https://tools.cisco.com/security/center/resources/guide_ddos_defense.html, [Accessed 10 juni 2021]
[13] https://research.unsw.edu.au/projects/bot-iot-dataset[Accessed 10 september 2021]
[14] N. Koroniotis, N. Moustafa, E. Sitnikova, and J. Slay, “Towards Developing Network Forensic Mechanism for Botnet Activities in the IoT Based on Machine Learning Techniques,” Lecture Notes of the Institute for Computer Sciences, Social Informatics and Telecommunications Engineering, pp. 30–44, 2018.
[15] https://staf.ulm.ac.id/rezafaisal/2017/01/12/menghitung-kinerja-algoritma[Accessed 10 september 2021]
[16] V. N. Chawla, K. W. Bowyer, L. O. Hall dan W. P. Kegelmeyer, Journal of Artificial Intelligence Research [Internet], SMOTE: Synthetic Minority Over-Sampling Technique. [diunduh pada 2013 Mei 31] 16:321-357.Tersedia pada: http://arxiv.org/pdf/1106.1813.pdf, 2002
