Deteksi dan Klasifikasi Serangan Jaringan Smart City Menggunakan Federated Learning

Abstract

Perkembangan teknologi digital mendorong implementasi konsep smart city yang mengandalkan jaringan IoT untuk meningkatkan efisiensi layanan publik. Namun, kompleksitas jaringan ini meningkatkan risiko serangan siber yang dapat mengganggu layanan kritis. Penelitian ini mengkaji penerapan Federated Learning (FL) sebagai pendekatan terdistribusi untuk membangun Network Intrusion Detection System (NIDS) tanpa memusatkan data mentah, sehingga privasi tetap terjaga. Dataset yang digunakan adalah ToN- IoT, dengan simulasi distribusi data IID (Independent and Identically Distributed) dan Non- IID menggunakan Dirichlet untuk merepresentasikan heterogenitas antar client. Dua algoritma FL, yaitu Federated Averaging (FedAvg) dan Federated Proximal (FedProx), dibandingkan pada dua arsitektur deep learning: Multi-Layer Perceptron (MLP) dan Convolutional Neural Network 1D (CNN-1D), untuk skenario klasifikasi biner dan multi-kelas. Hasil eksperimen menunjukkan bahwa FedProx lebih stabil pada kondisi Non-IID dibanding FedAvg, meskipun dengan biaya komputasi lebih tinggi. CNN-1D memberikan performa lebih baik daripada MLP, terutama pada skenario multi-kelas, dengan peningkatan akurasi dan F1-Score yang signifikan. Penelitian ini merekomendasikan penggunaan FedProx dengan CNN-1D untuk lingkungan smart city yang heterogen, karena mampu menjaga stabilitas pelatihan dan akurasi deteksi serangan.