Analisis Performa Deteksi Serangan Menggunakan Metode PCA dan SVM

Adesta Any Fitriani

Abstrak

Dalam era digital yang terus berkembang, serangan siber terhadap perangkat IoT menjadi tantangan serius dalam menjaga keamanan jaringan. Berdasarkan data anomali serangan di Indonesia dan tren global, dibutuhkan sistem deteksi yang akurat dan efisien untuk memitigasi ancaman secara proaktif. Penelitian ini bertujuan untuk meningkatkan performa deteksi serangan pada jaringan IoT menggunakan kombinasi metode Principal Component Analysis (PCA) dan Support Vector Machine (SVM). PCA digunakan untuk mereduksi dimensi data tanpa menghilangkan informasi penting, sedangkan SVM digunakan untuk mengklasifikasikan pola serangan secara optimal. Metode penelitian ini melibatkan proses stratified sampling terhadap dataset CIC IoT 2023, normalisasi dan standarisasi data, ekstraksi fitur dengan PCA (dengan variasi 5, 8, dan 10 fitur), serta klasifikasi menggunakan SVM baik dengan maupun tanpa pipeline. Evaluasi dilakukan dalam tiga skenario label klasifikasi: 34 kelas, 8 kelas, dan 2 kelas. Pengujian dilakukan berdasarkan metrik akurasi, presisi, recall, F1-score, serta runtime, dan didukung dengan visualisasi confusion matrix untuk analisis kesalahan klasifikasi. Hasil penelitian menunjukkan bahwa kombinasi PCA dan SVM mampu meningkatkan akurasi deteksi, terutama pada klasifikasi 2 kelas dengan 8 fitur PCA, yang mencapai akurasi sebesar 98.73%, presisi 87.93%, recall 82.57%, dan F1-score 85.01%. Model dengan pipeline menunjukkan hasil yang lebih stabil dibandingkan model tanpa pipeline, baik dari segi performa maupun efisiensi proses. Temuan ini menegaskan bahwa integrasi PCA dan SVM dalam pendekatan pipeli

© 2026 UPA Perpustakaan POLINEMAStatus LayananKebijakan PrivasiSyarat & Ketentuan

v2026.11.17.5 · 54e4f54