Deteksi Serangan Siber pada Perangkat Kesehatan Berbasis WiFi dan MQTT dengan Machine Learning

Roymond Chandra Pradana, Alva Hendi Muhammad

Abstract


Perangkat kesehatan yang tergabung dalam Internet of Medical Things (IoMT) rentan terhadap serangan siber, terutama saat menggunakan protokol komunikasi seperti WiFi dan MQTT. Penelitian ini bertujuan untuk mengidentifikasi dan menganalisis serangan pada perangkat IoMT serta mengembangkan model deteksi yang efektif berbasis machine learning. Metode yang digunakan meliputi pengumpulan data dari dataset terbuka, preprocessing data, dan penerapan berbagai algoritma machine learning seperti Random Forest, SVM, KNN, LightGBM, SGD Classifier, CatBoost, dan XGBoost. Hasil pengujian menunjukkan model yang dikembangkan memiliki tingkat akurasi tinggi, yakni 99,5% untuk deteksi dua kategori serangan, 91,5% untuk enam kategori, dan 86,9% untuk sembilan belas kategori. Temuan ini membuktikan bahwa machine learning dapat meningkatkan deteksi serangan siber pada perangkat medis secara signifikan. Penelitian ini memberikan kontribusi penting bagi keamanan IoMT dengan menerapkan teknik machine learning yang canggih. Selain itu, studi ini menekankan pentingnya inovasi dalam mendeteksi serangan siber serta memberikan rekomendasi untuk pengembangan algoritma yang lebih efisien di masa depan.

Keywords


serangan siber; machine learning; Internet of Medical Things; deteksi serangan

Full Text:

PDF

References


G. Thamilarasu, A. Odesile, dan A. Hoang, “An intrusion detection system for internet of medical things,” IEEE Access, vol. 8, hal. 181560–181576, 2020, doi: 10.1109/ACCESS.2020.3026260.

I. Vaccari, S. Narteni, M. Aiello, M. Mongelli, dan E. Cambiaso, “Exploiting Internet of Things Protocols for Malicious Data Exfiltration Activities,” IEEE Access, vol. 9, hal. 104261–104280, 2021, doi: 10.1109/ACCESS.2021.3099642.

M. M. Alani, A. Mashatan, dan A. Miri, “Explainable Ensemble-Based Detection of Cyber Attacks on Internet of Medical Things,” 2023 IEEE Int. Conf. Dependable, Auton. Secur. Comput. Int. Conf. Pervasive Intell. Comput. Int. Conf. Cloud Big Data Comput. Int. Conf. Cyber Sci. Tec, hal. 609–614, 2023, doi: 10.1109/DASC/PiCom/CBDCom/Cy59711.2023.10361448.

BSSN, “Lanskap Keamanan Siber Indonesia,” 2024. [Daring]. Tersedia pada: https://www.bssn.go.id/wp-content/uploads/2024/03/Lanskap-Keamanan-Siber-Indonesia-2023.pdf

H. Hindy, E. Bayne, M. Bures, R. Atkinson, C. Tachtatzis, dan X. Bellekens, “Machine Learning Based IoT Intrusion Detection System: An MQTT Case Study (MQTT-IoT-IDS2020 Dataset),” in Lecture Notes in Networks and Systems, 2021. doi: 10.1007/978-3-030-64758-2_6.

M. A. Khan et al., “A deep learning-based intrusion detection system for mqtt enabled iot,” Sensors, vol. 21, no. 21. 2021. doi: 10.3390/s21217016.

N. Moustafa, B. Turnbull, dan K. K. R. Choo, “An ensemble intrusion detection technique based on proposed statistical flow features for protecting network traffic of internet of things,” IEEE Internet Things J., vol. 6, no. 3, 2019, doi: 10.1109/JIOT.2018.2871719.

M. B. Gorzalczany dan F. Rudzinski, “Intrusion Detection in Internet of Things With MQTT Protocol - An Accurate and Interpretable Genetic-Fuzzy Rule-Based Solution,” IEEE Internet Things J., vol. 9, no. 24, 2022, doi: 10.1109/JIOT.2022.3194837.

S. Dadkhah, “CICIoMT 2024,” University of New Brunswick. Diakses: 14 Oktober 2024. [Daring]. Tersedia pada: https://www.unb.ca/cic/datasets/iomt-dataset-2024.html

M. A. Khan dan F. Algarni, “A Healthcare Monitoring System for the Diagnosis of Heart Disease in the IoMT Cloud Environment Using MSSO-ANFIS,” IEEE Access, vol. 8, 2020, doi: 10.1109/ACCESS.2020.3006424.

M. Narang, A. Jatain, dan N. Punetha, “A study on Cyber-attack detection in IoMT using Machine Learning Techniques,” SSRN Electron. J., 2023, doi: 10.2139/ssrn.4387775.

N. I. Haque, M. A. Rahman, M. H. Shahriar, A. A. Khalil, dan S. Uluagac, “A Novel Framework for Threat Analysis of Machine Learning-based Smart Healthcare Systems,” 2021, [Daring]. Tersedia pada: http://arxiv.org/abs/2103.03472

D. Abreu dan A. Abelem, “OMINACS: Online ML-Based IoT Network Attack Detection and Classification System,” 2022 IEEE Latin-American Conf. Commun. LATINCOM 2022, 2022, doi: 10.1109/LATINCOM56090.2022.10000544.

A. B. M. Sultan, S. Mehmood, dan H. Zahid, “Man in the Middle Attack Detection for MQTT based IoT devices using different Machine Learning Algorithms,” in 2nd IEEE International Conference on Artificial Intelligence, ICAI 2022, 2022. doi: 10.1109/ICAI55435.2022.9773590.

D. Faisal, M. Reza ; T. Nugrahadi, Belajar Data Science: Klasifikasi dengan Bahasa Pemrograman R, no. February. 2016.




DOI: http://dx.doi.org/10.22441/incomtech.v16i1.32219

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.

Publisher Address:
Magister Teknik Elektro, Universitas Mercu Buana
Jl. Meruya Selatan 1, Jakarta 11650
Phone (021) 31935454/ 31934474
Fax (021) 31934474
Email: [email protected]
Website of Master Program in Electrical Engineering
http://mte.pasca.mercubuana.ac.id

pISSN: 2085-4811
eISSN: 2579-6089
Jurnal URL: http://publikasi.mercubuana.ac.id/index.php/Incomtech
Jurnal DOI: 10.22441/incomtech

Lisensi Creative Commons
Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi-NonKomersial 4.0 Internasional

.

Web Analytics Made Easy - StatCounter
View My Stats

The Journal is Indexed and Journal List Title by: