OPTIMASI FITUR BERBASIS ANOVA UNTUK DETEKSI SERANGAN PADA PROTOKOL MQTT MENGGUNAKAN RANDOM FOREST DI LINGKUNGAN INTERNET OF THINGS

Abstract

Protokol MQTT (Message Queuing Telemetry Transport) banyak digunakan pada sistem Internet of Things (IoT) karena arsitektur publish-subscribe yang ringan dan hemat bandwidth, namun memiliki kerentanan keamanan tinggi terhadap serangan Denial of Service (DoS) dan anomali jaringan. Permasalahan utama dalam penerapan Intrusion Detection System (IDS) pada edge IoT adalah tingginya dimensi fitur jaringan yang membebani memori dan waktu komputasi perangkat berdaya terbatas, sehingga menimbulkan trade-off kritis antara akurasi deteksi dan efisiensi latensi. Penelitian ini bertujuan mengevaluasi dampak optimasi fitur berbasis Analysis of Variance (ANOVA) pada model Random Forest guna mereduksi beban komputasi tanpa mengorbankan performa deteksi serangan MQTT. Metode yang digunakan adalah klasifikasi Random Forest dengan partisi data 70% pelatihan dan 30% pengujian pada 1.000 sampel data trafik jaringan seimbang (50% normal dan 50% serangan), membandingkan Skenario 1 (10 fitur penuh) dan Skenario 2 (7 fitur hasil eliminasi metrik transport layer TCP: TcpRtt, AckDat, dan SynAck berbasis ANOVA). Hasil pengujian menunjukkan bahwa Skenario 1 menghasilkan akurasi 100,00%, sedangkan Skenario 2 mempertahankan akurasi sebesar 99,67% (hanya terkoreksi 0,33%). Selain itu, Skenario 2 berhasil memangkas waktu pelatihan model sebesar 34,6% (dari 0,7854 detik menjadi 0,5135 detik). Hasil ini membuktikan bahwa optimasi fitur berbasis ANOVA mampu meningkatkan efisiensi komputasi secara signifikan dengan tetap menjaga akurasi deteksi yang optimal untuk lingkungan edge computing IoT.