Article Per Year (5 Year)
p-Index From 2020 - 2025
2.092
P-Index
This Author published in this journals
All Journal Jurnal Informatika Universitas Pamulang Jurnal Sistem Komputer & Kecerdasan Buatan Infotech: Journal of Technology Information Journal of Informatics and Electronics Engineering E-Amal: Jurnal Pengabdian Kepada Masyarakat IKRAM: Jurnal Ilmu Komputer Al Muslim Jurnal Ilmu Komputer
Agung Budi Susanto
Universitas Pamulang
Agriculture, Biological Sciences & Forestry Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Health Professions

Published : 13 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search
Journal : Journal of Informatics and Electronics Engineering

 1 
Evaluasi Performa Model Ensemble Learning dalam Deteksi Serangan Jaringan Internet of Things pada Dataset CIC-BCCC-IOT-HCRL-2019 Raharja, Yudi; Susanto, Agung Budi; Tukiyat, Tukiyat
Journal of Informatics and Electronics Engineering Vol 5 No 02 (2025): Desember 2025
Publisher : Unit Penelitian dan Pengabdian kepada Masyarakat Politeknik TEDC Bandung Jl. Pesantren Km 2 Cibabat Cimahi Utara – Cimahi 40513 Jawa Barat – Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70428/jiee.v5i02.1454

Abstract

Perkembangan pesat perangkat Internet of Things (IoT) membawa peningkatan kompleksitas sekaligus risiko pada keamanan jaringan. Studi ini bertujuan untuk menilai performa lima algoritma Ensemble Learning, yaitu Random Forest, AdaBoost, CatBoost, XGBoost, dan LightGBM, dalam Sistem Deteksi Intrusi (IDS) pada jaringan IoT dengan menggunakan dataset CIC-BCCC-IoT-HCRL-2019. Metode penelitian melibatkan tahap pra-pemrosesan data termasuk penerapan dua teknik normalisasi yaitu MinMaxScaler dan Normalizer, serta evaluasi model menggunakan validasi silang 5-Fold Cross-Validation dan pembagian data latih dan uji dengan rasio 80:20. Hasil eksperimen menunjukkan algoritma boosting seperti XGBoost, CatBoost, dan LightGBM secara konsisten memiliki kinerja lebih baik dibandingkan dengan model bagging tradisional seperti Random Forest. XGBoost yang dikombinasikan dengan MinMaxScaler mencapai akurasi tertinggi sebesar 0,9980, sementara LightGBM dengan MinMaxScaler mencatat waktu pelatihan tercepat yakni 2,54 detik. Temuan ini mengindikasikan bahwa penggunaan teknik boosting bersama normalisasi MinMaxScaler dapat secara signifikan meningkatkan akurasi serta efisiensi IDS berbasis IoT. Kata Kunci— Internet of Things, Deteksi Intrusi, Machine Learning, Ensemble Learning, Boosting, Normalisasi Data.
Co-Authors Abu Khalid Rivai Abu Khalid Rivai Agustian, Rizki Andrean, Kelvin Angelina Hadriani Hadriyanto Anggai, Sajarwo Aziz, Awaludin Dadang Kurnia, Dadang Edlianto, Dionisius Riyan Effendy, Rangga Febrian Hadriani, Angelina Hatonangan Samosir, Theofilus Herly Hilman, Amirul Kuntoro Kuntoro Mardiyanto Mardiyanto Nafiah, Nafiah Raharja, Yudi Ristasari Dwi Septiana Rohman, Fredi Muhammad Syarifudin Syarifudin Taswanda Taryo thoyyibah, Thoyyibah Tukiyat Tukiyat Tukiyat Tukiyat Tukiyat, Tukiyat Waskita, Arya Adhyaksa Wibowo, Satria Ardi Wiharjo, Sudarno