Electronic Theses and Dissertation

Perkembangan Internet of Things (IoT) telah meningkatkan jumlah perangkat yang terhubung ke jaringan sekaligus meningkatkan risiko serangan siber. Oleh karena itu, diperlukan metode deteksi intrusi yang mampu mengidentifikasi berbagai jenis serangan secara efektif. Penelitian ini bertujuan untuk mengimplementasikan Graph Convolutional Network (GCN) untuk klasifikasi serangan pada jaringan IoT menggunakan dataset CICIoT2023. Data diproses melalui tahapan pra-pemrosesan yang meliputi pembersihan data, seleksi fitur, penyeimbangan kelas, normalisasi, dan konstruksi graf menggunakan metode K-Nearest Neighbor (KNN). Model GCN diuji menggunakan dua arsitektur, yaitu 42-64-6 dan 42-128-64-6, dengan variasi nilai K sebesar 10 dan 15, serta jumlah epoch sebanyak 100, 200, dan 300. Hasil penelitian menunjukkan bahwa model terbaik dicapai menggunakan arsitektur 42-128-64-6 dengan K=10 dan 300 epoch. Model ini menghasilkan akurasi sebesar 67,23%, presisi 70,90%, recall 67,23%, dan F1-score 67,19%. Hasil ini mengindikasikan bahwa metode GCN mampu memanfaatkan representasi graf untuk melakukan klasifikasi multi-kelas pada lalu lintas jaringan IoT dan memiliki potensi untuk digunakan sebagai pendekatan dalam sistem deteksi intrusi berbasis graf.

The development of the Internet of Things (IoT) has increased the number of devices connected to networks and elevated the risk of cyberattacks. Therefore, an intrusion detection method capable of effectively identifying various types of attacks is required. This study aims to implement a Graph Convolutional Network (GCN) for attack classification in IoT networks using the CICIoT2023 dataset. The data was processed through preprocessing stages including data cleaning, feature selection, class balancing, normalization, and graph construction using the K-Nearest Neighbor (KNN) method. The GCN model was tested using two architectures, 42-64-6 and 42-128-64-6, with variations in K-values of 10 and 15, as well as epoch counts of 100, 200, and 300. The results showed that the best model was achieved using the 42-128-64-6 architecture with K=10 and 300 epochs. This model yielded an accuracy of 67.23%, precision of 70.90%, recall of 67.23%, and an F1-score of 67.19%. These outcomes indicate that the GCN method is capable of leveraging graph representations to perform multi-class classification on IoT network traffic and holds potential for use as an approach in graph-based intrusion detection systems