<![CDATA[Penggunaan teknologi berbasis Internet of Things (IoT) telah meningkat pesat berkat revolusi digital dan membawa tantangan keamanan yang signifikan. Pengoptimalan keamanan IoT pada edge computing dengan menerapkan model berbasis machine learning, untuk deteksi dan identifikasi. Metodologi yang digunakan meliputi pengumpulan data dari sensor IoT dan log aktifitas sebagai data, pra-pemrosesan data, serta pelatihan dan validasi model machine learning. Pada penelitian ini, deteksi dan identifikasi serangan menggunakan empat algoritma, yaitu K-Nearest Neighbors (KNN), Support Vector Machines (SVM), Random Forest (RF), dan Decision Trees (DT). Hasil penelitian menunjukkan bahwa model Random Forest (RF) dan Decision Tree (DT) memiliki kinerja terbaik dalam mendeteksi serangan siber, dengan nilai True Positive (TP) yang tinggi dan tingkat kesalahan yang rendah. Evaluasi kinerja berdasarkan metrik Akurasi, Presisi, Recall, dan F1-Score mengonfirmasi bahwa RF dan DT mampu memberikan hasil yang akurat dan andal dalam mendeteksi ancaman. Model Random Forest menunjukkan Akurasi 98,4%, Presisi 98,4%, Recall 83,9%, dan F1-Score 90,5%, sedangkan Decision Tree menunjukkan Akurasi 98,1%, Presisi 90,5%, Recall 83,9%, dan F1-Score 87,1%. Implementasi model machine learning dalam sistem keamanan IoT dan edge computing terbukti tidak hanya meningkatkan keamanan data dan perangkat, tetapi juga memaksimalkan efisiensi operasional dengan kemampuan untuk mempelajari dan beradaptasi dengan pola serangan baru.]]>
