"Deteksi serangan siber berbasis Machine Learning (ML) berpotensi menjadi alternatif terbaik dalam upaya penanganan ancaman terhadap serangan siber pada jaringan Internet of Things (IoT). Metode ini memiliki kemampuan untuk beradaptasi dengan jenis-jenis serangan baru yang terus berkembang. Seiring berjalannya waktu, semakin banyak jumlah data yang dihasilkan menyebabkan penurunan kinerja dari model ini. Oleh karena itu, pengurangan dimensi data diperlukan dan salah satu caranya adalah dengan melakukan seleksi fitur. Penelitian ini mengusulkan metode seleksi fitur hibrid yang menggabungkan filter korelasi dan feature importance serta optimasi Bayesian. Filter korelasi bertujuan untuk menghapus fitur-fitur yang berkorelasi tinggi dengan cepat dan feature importance bertujuan untuk memilih fitur-fitur yang berpengaruh besar terhadap model. Selain itu, teknik optimasi Bayesian juga dilakukan untuk menemukan nilai optimal secara efisien dari parameter-parameter algoritma ML yang tangguh dan ringan digunakan pada jaringan IoT, yaitu Decision Tree dan Random Forest. Kemudian, model yang dibangun dievaluasi menggunakan dataset serangan siber terbaru, yaitu CICIoT2023, yang terdiri dari 7 jenis serangan yang berbeda, antara lain DDoS, DoS, Mirai, spoofing, reconnaissance, serangan berbasis website, dan brute force. Hasil evaluasi menunjukkan bahwa teknik seleksi fitur hibrid mampu menghasilkan kinerja model yang lebih efisien daripada teknik seleksi fitur tunggal dengan memilih 5 dari 46 fitur. Selain itu, teknik optimasi Bayesian juga mampu menemukan nilai optimal dari parameter-parameter model yang meningkatkan kinerja model pada tingkat akurasi, presisi, recall, dan F1 hingga 99,74% serta penurunan waktu komputasi hingga 97,41%. Berdasarkan hasil penelitian ini, peningkatan model deteksi serangan siber menggunakan seleksi fitur hibrid dan optimasi Bayesian dapat menjadi rujukan dalam penerapan keamanan siber pada jaringan IoT.
Machine learning-based cyber attack detection has become the best option for addressing cyber attack threats on Internet of Things (IoT) networks. This method has the ability to adapt to novel emerging attack types. However, the increasing amount of data generated causes performance degradation of this model. Therefore, data dimension reduction is needed, and one method is utilizing feature selection. This paper proposes a hybrid feature selection method combining a correlation filter and feature importance. The correlation filter method aims to quickly remove features that are highly correlated with one another, while feature importance aims to select features that contribute significantly to the model. Additionally, Bayesian Optimization is utilized to efficiently find the optimal value of robust and light-weight ML algorithm parameters for IoT networks, such as Decision Tree and Random Forest. The build model is evaluated using the updated benchmark cyber attack dataset, CICIoT2023, consisting of seven attack types: DDoS, DoS, Mirai, spoofing, reconnaissance, web-based attack, and brute force. The results show that the hybrid feature selection technique is able to achieve higher performance than single feature selection techniques by selecting 5 of 46 features. In addition, the Bayesian Optimization technique is also able to find the optimal value of the ML algorithm parameters by increasing the performance of the model at the level of accuracy, precision, recall, and F1 score above 99% and reducing the computing time above 90%. Based on these results, improving the cyber attack detection model using the hybrid feature selection and the Bayesian Optimization approach can be a reference in implementing cybersecurity on IoT networks."
