Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal INTECOMS: Journal of Information Technology and Computer Science
Tri Swastiningsih
Universitas Bina Insan
Computer Science & IT

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
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
INTECOMS: Journal of Information Technology and Computer Science Vol. 9 No. 5 (2026): INTECOMS: Journal of Information Technology and Computer Science
Publisher : Institut Penelitian Matematika, Komputer, Keperawatan, Pendidikan dan Ekonomi (IPM2KPE)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 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.
Co-Authors Elmayati Elmayati Nelly Khairani Daulay Rudi Kurniawan