Dalam beberapa tahun terakhir, serangan siber berbasis botnet yang memanfaatkan perangkat Internet of Things (IoT) mengalami peningkatan signifikan. Salah satu insiden paling menonjol adalah serangan Mirai yang mengeksploitasi perangkat IoT untuk mengganggu infrastruktur IoT. Dalam serangan Mirai, terdapat berbagai model pembelajaran mesin yang pernah disulkan untuk mendeteksi serangan tersebut pada sistem intrusion detection system (IDS). Namun berdasarkan model - model yang disulkan, sepert logistic regression (LR) dan k-nearest neighborss (KNN), ditemukan bahwa masih terdapat pengembangan yang bisa dilakukan untuk meningkatkan performa dan kecepatan pelatihan model. Salah satu cara meningkatkannya adalah dengan metode soft voting dan stacking. Metode soft voting adalah metode yang menggunakan dua atau lebih model pembelajaran mesin secara pararel dengan merata - ratakan hasil probabilitas keluarannya. Sedangkan, metode stacking adalah metode yang menggunakan hasil prediksi dari satu model untuk melatih model berikutnya agar dapat memperbaiki kesalahan - kesalahan yang terjadi secara sekuensial. Kedua metode ini digunakan karena kemampuannya untuk meningkatkan performa dengan menangkap pola data yang lebih beragam dibandingkan satu model saja. Oleh karena itu, tugas ahkir ini mengusulkan penggabungan logistic regression (LR) dan k-nearest neighborss (KNN) menggunakan metode soft voting (paralel) dan stacking (sekuensial) untuk meningkatkan performa klasifikasi serangan Mirai. Dari hasil yang didapatkan ditemukan metode soft voting menghasilkan nilai F1 yang terbaik dengan nilai F1 sebesar 96% dan metode stacking KNN + LR menghasilkan waktu pelatihan tercepat.

---

In recent years, botnet-based cyberattacks leveraging Internet of Things (IoT) devices have significantly increased. One of the most prominent incidents is the Mirai attack, which exploited IoT devices to disrupt IoT infrastructure. In the Mirai attack, various machine learning models have been proposed to detect the attack within intrusion detection systems (IDS). However, based on the proposed models—such as logistic regression (LR) and k-nearest neighborss (KNN)—there is still room for improvement in terms of performance and training speed. One way to enhance these aspects is by using soft voting and stacking methods. The soft voting method involves running two or more machine learning models in parallel and averaging their keluaran probabilities. In contrast, the stacking method uses the predictions of one model as an masukan to train the next model in a sequential manner, allowing it to correct previous errors. These two methods are employed due to their ability to improve performance by capturing more diverse data patterns compared to using a single model alone. Therefore, this final project proposes combining logistic regression (LR) and k-nearest neighborss (KNN) using both soft voting (parallel) and stacking (sequential) methods to enhance the classification performance of Mirai attacks. The results show that the soft voting method achieved the highest F1 score, with a value of 96%, while the KNN + LR stacking method resulted in the fastest training time.