Deep Learning dengan Teknik Early Stopping untuk Mendeteksi Malware pada Perangkat IoT

Abstract

Bahasa Indonesia

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%.

English

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%.

Keywords

• Malware
• Deep Learning
• SMOTE
• early stopping
• Convolutional Neural Network (CNN)