Analisis Efektivitas Logistic Regression dalam Identifikasi Serangan DDoS pada Jaringan IoT Berbasis Dataset IoT-DIAD2024

Lukas Febrian Laufra; Somantri

doi:10.36418/syntax-literate.v10i9.61692

Lukas Febrian Laufra Universitas Nusa Putra
Somantri Universitas Nusa Putra

DOI: https://doi.org/10.36418/syntax-literate.v10i9.61692

Keywords: Logistic Regression, Deteksi Serangan DDoS, Internet of Things (IoT), IoT-DIAD2024, Keamanan Siber

Abstract

Penelitian ini mengevaluasi efektivitas Logistic Regression dalam mendeteksi serangan Distributed Denial of Service (DDoS) pada jaringan Internet of Things (IoT) menggunakan dataset IoT-DIAD2024. Dataset ini menggabungkan tiga jenis serangan (HTTP Flood, TCP Flood, dan UDP Flood) dari file CSV terpisah, dengan fitur seperti inter_arrival_time, jitter, dan User Agent. Dua model dikembangkan: Model 1 untuk memprediksi jenis serangan, dan Model 2 untuk mengklasifikasikan tingkat keparahan (High, Medium, Low). Pipeline prapemrosesan meliputi SimpleImputer untuk menangani nilai hilang dan StandardScaler untuk normalisasi fitur. Kedua model mencapai akurasi 0,99, dengan matriks konfusi menunjukkan kesalahan minimal, seperti 162 prediksi HTTP Flood sebagai UDP Flood. Ketiadaan data normal dalam dataset dapat menyebabkan bias, sehingga integrasi data normal direkomendasikan untuk validasi lebih lanjut. Penelitian ini mendukung pengembangan sistem keamanan IoT yang lebih robust dan memenuhi tugas akademik Jalur Penelitian Semester 6 di Universitas Nusa Putra pada Juli 2025.

Downloads

Download data is not yet available.

References

[1] K. Alissa, T. Alyas, K. Zafar, Q. Abbas, N. Tabassum, and S. Sakib, Botnet attack detection in IoT using machine learning, Comput. Intell. Neurosci., vol. 2022, no. 1, p. 4515642, 2022.
[2] M. H. Ali et al., Threat analysis and distributed denial of service (DDoS) attack recognition in the internet of things (IoT), Electronics (Basel), vol. 11, no. 3, p. 494, 2022.
[3] R. Doshi, N. Apthorpe, and N. Feamster, Machine learning DDoS detection for consumer internet of things devices, in 2018 IEEE Security and Privacy Workshops (SPW), IEEE, 2018, pp. 29�35.
[4] P. Modi, Towards efficient machine learning method for IoT DDoS attack detection, arXiv preprint arXiv:2408.10267, 2024.
[5] A. Gupta and A. Kumar, Standard scaling and PCA-based logistic regression model for classifying and detecting DDoS attack, 2023.
[6] J. G. Almaraz-Rivera, J. A. Perez-Diaz, and J. A. Cantoral-Ceballos, Transport and application layer DDoS attacks detection to IoT devices by using machine learning and deep learning models, Sensors, vol. 22, no. 9, p. 3367, 2022.
[7] W. L. Costa, A. L. de Carvalho Portela, and R. L. Gomes, An�lise de caracter�sticas do tr�fego de rede para detec��o de ataques DDoS em ambientes IoT, Anais do Computer on the Beach, vol. 12, pp. 217�224, 2021.
[8] T. Farid and M. Sirat, Hybrid of supervised learning and optimization algorithm for optimal detection of IoT distributed denial of service attacks, International Journal of Innovative Computing, vol. 13, no. 1, pp. 1�12, 2023.
[9] W. Alhalabi, A. Gaurav, V. Arya, I. F. Zamzami, and R. A. Aboalela, Machine learning-based distributed denial of services (DDoS) attack detection in intelligent information systems, International Journal on Semantic Web and Information Systems (IJSWIS), vol. 19, no. 1, pp. 1�17, 2023.