Deep Learning dengan Teknik Early Stopping untuk Mendeteksi Malware pada Perangkat IoT
DOI:
https://doi.org/10.25126/jtiik.20251218267Kata Kunci:
Malware, Deep Learning, SMOTE, early stopping, Convolutional Neural Network (CNN)Abstrak
Perkembangan pesat teknologi, khususnya Internet of Things (IoT), telah memberikan dampak signifikan dalam berbagai sektor kehidupan manusia. IoT memungkinkan pertukaran data antar perangkat secara otomatis melalui jaringan internet, mengubah cara manusia berinteraksi dengan lingkungan sekitarnya. Meskipun IoT memberikan berbagai manfaat seperti kemudahan mengakses perangkat dari jarak jauh, kehadirannya juga membawa potensi bahaya terkait dengan keamanan siber, privasi, dan ketergantungan terhadap teknologi. Artikel ini membahas upaya untuk mengatasi ancaman keamanan siber pada ekosistem IoT dengan mengimplementasikan sistem deteksi berbasis klasifikasi malware. Pendekatan ini memanfaatkan teknik pembelajaran mesin, terutama deep learning, untuk mengidentifikasi dan memitigasi ancaman siber. Penggunaan Convolutional Neural Network (CNN) dalam klasifikasi dataset IoT-23 dengan teknik penyeimbangan data SMOTE (Synthetic Minority Oversampling Technique) serta fungsi Early Stopping menunjukkan hasil yang tinggi. Meskipun CNN awalnya dirancang untuk pengolahan gambar, algoritma ini juga efektif dalam mendeteksi pola kompleks pada data non-gambar seperti lalu lintas jaringan IoT karena kemampuannya dalam ekstraksi fitur hierarkis. Akurasi yang diperoleh pada dataset tidak seimbang adalah sebesar 99%, sedangkan pada dataset seimbang sebesar 75%. Presisi dan Recall yang diperoleh pada dataset tidak seimbang di kelas 0 adalah 100% dan 35%, sedangkan pada kelas 1 adalah 99% dan 100%. Pada dataset seimbang, presisi dan recall di kelas 0 adalah 67% dan 100%, sedangkan pada kelas 1 adalah 100% dan 51%.
Abstract
The rapid development of technology, especially the Internet of Things (IoT), has significantly impacted various sectors of human life. IoT enables automatic data exchange between devices via the internet, changing how humans interact with their surroundings. Although IoT provides multiple benefits, such as ease of accessing devices remotely, its presence also brings potential dangers related to cybersecurity, privacy, and dependence on technology. This article discusses efforts to address cybersecurity threats in the IoT ecosystem by implementing a malware classification-based detection system. This approach utilizes machine learning techniques and intense learning to identify and mitigate cyber threats. The use of Convolutional Neural Network (CNN) in classifying the IoT-23 dataset with the SMOTE (Synthetic Minority Oversampling Technique) data balancing technique and the Early Stopping function shows high results. Although CNN was initially designed for image processing, this algorithm also effectively detects complex patterns in non-image data, such as IoT network traffic, due to its ability to extract hierarchical features. The accuracy obtained on the unbalanced dataset is 99%, while on the balanced dataset, it is 75%. The precision and recall obtained on the unbalanced dataset in class 0 are 100% and 35%, while in class 1 are 99% and 100%. In the balanced dataset, the precision and recall in class 0 are 67% and 100%, while in class 1 are 100% and 51%.
Downloads
Referensi
AKHTAR, M.S. AND FENG, T., 2022. Malware Analysis and Detection Using Machine Learning Algorithms. Symmetry, 14(11). https://doi.org/10.3390/sym14112304.
AL-RIMY, B.A.S., SAEED, F., AL-SAREM, M., ALBARRAK, A.M. AND QASEM, S.N., 2023. An Adaptive Early Stopping Technique for DenseNet169-Based Knee Osteoarthritis Detection Model. Diagnostics, 13(11). https://doi.org/10.3390/diagnostics13111903.
AZZAHRA NASUTION, D., KHOTIMAH, H.H. AND CHAMIDAH, N., 2019. Perbandingan Normalisasi Data Untuk Klasifikasi Wine Menggunakan Algoritma K-NN.
BAKAR, M. Y. A. AND ADIWIJAYA, A. (2021) ‘Klasifikasi Teks Hadis Bukhari Terjemahan Indonesia Menggunakan Recurrent Convolutional Neural Network (CRNN)’, Jurnal Teknologi Informasi dan Ilmu Komputer, 8(5), pp. 907–918.
CAHYANTO, T. A. ET AL. (2022) ‘Intelligent ubiquitous technology as a precision agri-food framework: A proposed framework’, IOP Conference Series: Earth and Environmental Science, 1041(1). doi: 10.1088/1755-1315/1041/1/012022.
FERNÁNDEZ, A., GARCÍA, S., HERRERA, F. AND CHAWLA, N. V, 2018. SMOTE for Learning from Imbalanced Data: Progress and Challenges, Marking the 15-year Anniversary. Journal of Artificial Intelligence Research.
FUJO, S.W., SUBRAMANIAN, S. AND KHDER, M.A., 2022. Customer churn prediction in telecommunication industry using deep learning. Information Sciences Letters, 11(1), pp.185–198. https://doi.org/10.18576/isl/110120.
GARCIA, S., PARMISANO, A. AND ERQUIAGA, M. J. (2020) IoT-23: A labeled dataset with malicious and benign IoT network traffic. doi: http://doi.org/10.5281/zenodo.4743746.
JAIN, A., RATNOO, S. AND KUMAR, D. (2020) ‘A novel multi-objective genetic algorithm approach to address class imbalance for disease diagnosis’, International Journal of Information Technology, pp. 1–16.
LECUN, Y., BENGIO, Y. AND HINTON, G. (2015) ‘Deep learning’, Nature, 521(7553), pp. 436–444. doi: 10.1038/nature14539.
LIANG, Y. AND VANKAYALAPATI, N., 2021. Machine Learning and Deep Learning Methods for Better Anomaly Detection in IoT-23 Dataset Cybersecurity.
LIBOVICKÝ, J., 2017. Deep Learning for Natural Language processing Introduction to Natural Language Processing.
PUTRA, J.W.G., 2020. Pengenalan Pembelajaran Mesin dan Deep Learning. pp.150–151.
RIZKI, M., BASUKI, S. AND AZHAR, Y., 2020. Implementasi Deep Learning Menggunakan Arsitektur Long Short Term Memory Untuk Prediksi Curah Hujan Kota Malang. REPOSITOR, 2(3), pp.331–338.
SABAH, S. ET AL. (2019) ‘Big data with decision tree induction’, in 2019 13th International Conference on Software, Knowledge, Information Management and Applications (SKIMA), pp. 1–6.
SORRI, K., MUSTAFEE, N. AND SEPPÄNEN, M., 2022. Revisiting IoT definitions: A framework towards comprehensive use. Technological Forecasting and Social Change, 179. https://doi.org/10.1016/j.techfore.2022.121623.
SUPRAYOGI, C. AND MARWAN, M.A., 2022. Classification of Network Traffic Data Mirai Malware Attacks on Internet of Things Devices Using the K-Nearest Neighbor Method. International Research Journal of Advanced Engineering and Science, 7(4), pp.39–43.
VAN DARTEL, B., 2021. Malware detection in IoT devices using Machine Learning.
YUAN, T. ET AL. (2020) ‘High performance CNN accelerators based on hardware and algorithm co-optimization’, IEEE Transactions on Circuits and Systems I: Regular Papers, 68(1), pp. 250–263.
ZHANG, H. ET AL. (2019) ‘Classification of ransomware families with machine learning based on N-gram of opcodes’, Future Generation Computer Systems, 90, pp. 211–221. doi: 10.1016/j.future.2018.07.052.
ZOUMPEKAS, T., SALAMÓ, M. AND PUIG, A., 2022. Effective Early Stopping of Point Cloud Neural Networks. In: Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). Springer Science and Business Media Deutschland GmbH. pp.156–167. https://doi.org/10.1007/978-3-031-13448-7_13.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2025 Jurnal Teknologi Informasi dan Ilmu Komputer
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
Artikel ini berlisensi Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0)
Penulis yang menerbitkan di jurnal ini menyetujui ketentuan berikut:
- Penulis menyimpan hak cipta dan memberikan jurnal hak penerbitan pertama naskah secara simultan dengan lisensi di bawah Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0) yang mengizinkan orang lain untuk berbagi pekerjaan dengan sebuah pernyataan kepenulisan pekerjaan dan penerbitan awal di jurnal ini.
- Penulis bisa memasukkan ke dalam penyusunan kontraktual tambahan terpisah untuk distribusi non ekslusif versi kaya terbitan jurnal (contoh: mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan penerbitan awalnya di jurnal ini.
- Penulis diizinkan dan didorong untuk mem-posting karya mereka online (contoh: di repositori institusional atau di website mereka) sebelum dan selama proses penyerahan, karena dapat mengarahkan ke pertukaran produktif, seperti halnya sitiran yang lebih awal dan lebih hebat dari karya yang diterbitkan. (Lihat Efek Akses Terbuka).
