Deteksi Serangan Man-In-The-Middle (MITM) Berbasis Machine Learning pada Dataset CIC IIOT 2025

Abstract

Keamanan komunikasi data pada ekosistem Industrial Internet of Things (IIoT) menjadi sangat rentan terhadap serangan Man-In-The-Middle (MITM), di mana penyerang secara diam-diam menyadap atau memanipulasi lalu lintas data antar perangkat. Serangan ini sangat berbahaya dalam lingkungan industri karena dapat menyebabkan kesalahan instruksi pada mesin yang berujung pada kerusakan fisik. Penelitian ini bertujuan untuk mengimplementasikan model machine learning yang mampu mendeteksi keberadaan anomali MITM secara presisi. Dengan menggunakan dataset CIC IIoT 2025, penelitian ini menganalisis fitur-fitur jaringan yang paling representatif terhadap perilaku serangan spoofing dan interception untuk membangun sistem deteksi yang responsif. Metodologi penelitian ini mencakup tahapan preprocessing, penanganan ketidakseimbangan data, klasifikasi, dan evaluasi model. Pada tahap preprocessing dilakukan ekstraksi fitur, pembersihan data, dan normalisasi data. Jika terdapat ketidakseimbangan kelas, teknik SMOTE dapat digunakan untuk menyeimbangkan distribusi data. Selanjutnya, proses klasifikasi dilakukan menggunakan algoritma Decision Tree, Random Forest, dan Support Vector Machine (SVM). Evaluasi model dilakukan dengan metrik accuracy, precision, recall, f1-score, confusion matrix, serta AUC-ROC. Penggunaan dataset CIC IIoT 2025 memberikan keunggulan karena memuat data trafik yang relevan dengan protokol industri terbaru, sehingga hasil model memiliki validitas yang lebih tinggi. Hasil penelitian menunjukkan performa deteksi yang optimal dengan nilai False Acceptance Rate (FAR) yang rendah. Kontribusi penelitian ini diharapkan dapat menjadi fondasi dalam pengembangan sistem keamanan otonom yang mampu melindungi integritas data pada infrastruktur IIoT dari ancaman penyusupan pihak ketiga.