<![CDATA[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.]]>
Copyrights © 2025
