ANALISIS PENGARUH REDUKSI DIMENSI MUTUAL INFORMATION, PRINCIPAL COMPONENT ANALYSIS, DAN PENDEKATAN HYBRID PADA DETEKSI MALWARE IOT

Lingkungan Internet of Things (IoT) rentan terhadap serangan siber, sementara data trafik yang dihasilkan memiliki dimensi tinggi dan kompleksitas fitur yang besar. Penelitian ini menganalisis pengaruh reduksi dimensi menggunakan Principal Component Analysis (PCA), Mutual Information (MI), serta pendekatan hybrid (MI+PCA) terhadap kinerja model Gated Recurrent Unit (GRU) pada sistem deteksi intrusi IoT. Evaluasi dilakukan pada dataset N-BaIoT, CIC-IoT23, dan Edge-IIoTset menggunakan metrik akurasi, presisi, recall, F1 score, waktu pelatihan, serta uji statistik McNemar. Hasil menunjukkan bahwa pengaruh reduksi dimensi bergantung pada karakteristik dataset. Pada CIC-IoT23, PCA menghasilkan F1-score tertinggi sebesar 99,19% dengan reduksi fitur 34,8%, meskipun waktu pelatihan meningkat dari 778,5 detik menjadi 1018 detik. Pada N BaIoT, MI mempertahankan akurasi 99,95% dengan reduksi fitur 20,9%, sedangkan PCA dan Hybrid mampu mereduksi hingga 65,2% dengan performa tetap sekitar 99,95%. Pada Edge-IIoTset, baseline memberikan akurasi tertinggi sebesar 85,92%, sementara reduksi fitur meningkatkan presisi di atas 98% dan spesifisitas di atas 94%. Secara keseluruhan, reduksi dimensi efektif menurunkan kompleksitas fitur tanpa selalu meningkatkan performa model, sehingga penerapannya perlu disesuaikan dengan karakteristik data. Berdasarkan temuan tersebut, penelitian selanjutnya disarankan untuk menguji model pada dataset tambahan dengan karakteristik yang lebih beragam, mengevaluasi skenario real time untuk mendekati kondisi implementasi nyata, serta mempertimbangkan metode reduksi fitur lain dan aspek efisiensi komputasi guna memperoleh konfigurasi model yang lebih optimal.

Kata Kunci: IoT, Deteksi malware, Reduksi dimensi, PCA, MI, GRU, McNemar