<![CDATA[Abstrak - Keamanan pada ekosistem Internet of Things (IoT) menghadapi tantangan besar akibat ancaman serangan Distributed Denial of Service (DDoS). Penelitian ini bertujuan melakukan analisis komparatif performa algoritma Random Forest dan Naive Bayes dalam mengklasifikasikan serangan DDoS pada jaringan IoT. Pemutakhiran data dilakukan menggunakan dataset standar terbaru yaitu CIC-IoT 2023 yang merepresentasikan trafik perangkat IoT dalam tiga tahun terakhir. Metodologi penelitian meliputi tahap pra-pemrosesan melalui cleaning, label encoding, dan Random Downsampling untuk efisiensi volume data, dilanjutkan dengan pembagian data menggunakan rasio 80:20. Pengujian terkontrol dilakukan pada data uji sebanyak 420.526 baris untuk membandingkan efektivitas deteksi dan efisiensi waktu eksekusi. Hasil evaluasi menunjukkan bahwa algoritma Random Forest memiliki performa superior dengan tingkat akurasi mencapai 99,22% dan mampu menekan kasus False Positive secara signifikan hingga hanya 169 kasus. Sebaliknya, Naive Bayes unggul dalam efisiensi waktu pelatihan yang hanya membutuhkan waktu 1,44 detik, namun akurasinya lebih rendah yaitu sebesar 75,25% dengan tingkat False Positive yang tinggi mencapai 101.142 kasus. Kebaruan penelitian ini terletak pada pengujian performa model ensemble learning dan probabilistik menggunakan dataset trafik IoT paling mutakhir berskala besar pada skenario simulasi laboratorium Near Real-Time. Penelitian ini diharapkan memberikan landasan teknis yang optimal bagi pengelolaan strategi pertahanan jaringan IoT yang responsif. Kata kunci : DDoS; Jaringan IoT; CIC-IoT2023; Random Forest; Naive Bayes; Abstract - Security in the Internet of Things (IoT) ecosystem faces significant challenges due to the threat of Distributed Denial of Service (DDoS) attacks. This study aims to conduct a comparative analysis to evaluate the performance of Random Forest and Naive Bayes algorithms in classifying DDoS attacks on IoT networks. Data updating is performed by utilizing the state-of-the-art dataset, CIC-IoT 2023, representing IoT device traffic from the last three years. The research methodology involves data pre-processing stages, including cleaning, label encoding, and Random Downsampling to ensure efficient handling of massive data volumes, followed by data splitting with an 80:20 ratio. Controlled testing was conducted on a test dataset of 420,526 rows to compare detection effectiveness and execution time efficiency. The evaluation results demonstrate that the Random Forest algorithm achieves superior performance with an accuracy rate of 99.22% and significantly reduces False Positive cases to only 169 cases. Conversely, Naive Bayes excels in training time efficiency, requiring only 1.44 seconds, but yields a lower accuracy of 75.25% with a high number of False Positive cases reaching 101,142. The novelty of this research lies in evaluating ensemble learning and probabilistic models using the most recent large-scale IoT traffic dataset in a Near Real-Time laboratory simulation scenario. This research is expected to provide an optimal technical foundation for managing responsive IoT network defense strategies Keywords : DDoS; IoT Network; CIC-IoT2023; Random Forest; Naive Bayes;]]>
