<![CDATA[Implementasi teknologi Internet of Things pada kendaraan bermotor mengalami peningkatan dari waktu ke waktu dan dikenal dengan istilah Internet of Vehicle (IoV). IoV semakin dibutuhkan masyarakat karena dapat menghadirkan kenyamanan, keamanan, dan efisiensi dalam berkendara. Sayangnya, penggunaan teknologi internet pada IoV justru memunculkan potensi serangan siber, seperti Denial of Service (DoS) dan Spoofing. Intrusion Detection System pada IoV belum sepenuhnya berjalan dengan baik mengingat teknologi ini juga tergolong baru. Oleh karena itu, dengan adanya potensi ancaman sekaligus dampak yang dihasilkan menjadikan penelitian tentang hal ini menjadi urgent untuk dilakukan. Penelitian ini bertujuan untuk mengevaluasi performa algoritma machine learning k-Nearest Neighbor (kNN) dalam mendeteksi serangan siber pada IoV. Kelas yang diprediksi pada penelitian ini berjumlah enam, yaitu: Benign, DoS, Gas-Spoofing, Steering Wheel-Spoofing, Speed-Spoofing, dan RPMSpoofing. Dua jenis serangan pada IoV tersebut (DoS dan Spoofing) beresiko menghadirkan gangguan operasional pada kendaraan yang dapat membahayakan pengemudi dan pengguna jalan lainnya. Dataset yang digunakan adalah dataset publik bernama CIC IoV2024. Performa algoritma kNN tersebut juga dibandingkan dengan tiga algoritma lain sebagai state-of-the-arts, seperti Naïve Bayes, Deep Neural Network, dan Random Forest. Hasilnya, k-Nearest Neighbor (kNN) mendapatkan performa terbaik dengan skor 98.7% untuk metrik akurasi maupun F1- Score. kNN mengungguli Naïve Bayes yang berada di urutan ke-dua, dengan skor 98.1% untuk akurasi dan 98.0% untuk F1-Score. Selanjutnya, algoritma kNN dapat direkomendasikan sebagai classifier dalam pengembangan intrusion detection system pada IoV.]]>
Copyrights © 2024
