Deteksi Serangan Pada Edge IIot Menggunakan  Pembelajaran Ensemble Dan Transparansi Model  XAI - Dalam bentuk pengganti sidang - Artikel Jurnal

HUSSAIN RANDIKA

Informasi Umum

Kode

25.04.1252

Klasifikasi

000 - General Works

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Machine Learning

Dilihat

99 kali

Informasi Lainnya

Abstraksi

Industrial Internet of Things (IIoT) telah berkembang pesat, meningkatkan efisiensi produksi dan profitabilitas, sekaligus memperkenalkan tantangan keamanan yang signifikan karena sistem IIoT menjadi lebih rentan terhadap serangan siber. Studi ini menangani tantangan tersebut dengan menerapkan deteksi serangan menggunakan metode ensemble learning dan Explainable Artificial Intelligence (XAI). Model seperti Random Forest, XGBoost, dan LightGBM digunakan bersama SHAP (SHapley Additive Explanations) untuk meningkatkan transparansi model. Stratified Sampling digunakan untuk mengurangi volume data sambil mempertahankan distribusi fitur, dan seleksi fitur dilakukan menggunakan Random Forest Feature Importance untuk mencapai akurasi dan efisiensi tinggi. Dataset Edge-IIoTset digunakan, dengan preprocessing dan seleksi fitur yang dioptimalkan melalui Random Forest Feature Importance. Pengujian melibatkan dua skenario dengan variasi jumlah fitur dan pembagian data untuk mengevaluasi efektivitas model. Hasil menunjukkan bahwa model LightGBM mencapai akurasi tertinggi sebesar 97,60%, diikuti oleh XGBoost dengan 96,90%, dan Random Forest dengan 96,51%. Selain itu, SHAP mengidentifikasi fitur fitur utama yang memengaruhi prediksi, meningkatkan kepercayaan dan pemahaman pengguna. Hasil ini menunjukkan bagaimana kombinasi ensemble learning dan XAI dapat meningkatkan keamanan IIoT secara efektif.<br /> Kata kunci : Explainable AI, Industrial Internet of Things, Feature Selection, Stratified Sampling, Ensemble Learning