Penerapan Internet of Things (IoT) dapat membuat semuanya terhubung ke internet tetapi sistem IoT dapat menjadi sasaran yang sangat mudah untuk disusupi penyerang dengan menggunakan malware, lebih dari 1,6 miliar atau tepatnya 1.637.973.022 anomali traffic atau serangan siber (cyberattack) yang terjadi diseluruh wilayah Indonesia sepanjang tahun 2021, teknik machine learning dapat dimanfaatkan untuk proses pengklasifikasian anomali traffic dengan menggunakan algoritma k-nearest neighbour (KNN) sehingga dapat membedakan data traffic yang bersifat benign atau malicious. Data anomali traffic yang digunakan adalah dataset aposemat IoT-23, didalam dataset tersebut terdapat 23 dataset, lalu terbagi kedalam 20 dataset scenario malicious dan 3 dataset scenario benign. Namun dataset yang digunakan adalah 20 dataset scenario malicious. 20 dataset tersebut selanjutnya dilakukan data preprocessing supaya dapat digunakan untuk proses training model atau pengklasifikasian. Nilai akurasi yang didapatkan setelah proses training model sebesar 0.94 atau 94%, model yang sudah dilakukan training model dapat memprediksi traffic data baru kedalam benign atau malicious, data baru yang sudah disiapkan adalah sebanyak 25 data baru. Prediksi 25 data baru tersebut menghasilkan 20 data diprediksi benar atau sesuai dan 5 data diprediksi salah atau tidak sesuai, 5 data tersebut terbagi menjadi 3 data yang harusnya diprediksi benign dan 2 data yang harusnya diprediksi malicious.

Penerapan internet of things (IoT) dapat membuat semuanya terhubung ke internet tetapi sistem IoT dapat menjadi sasaran yang sangat mudah untuk disusupi penyerang dengan menggunakan malware, lebih dari 1,6 miliar atau tepatnya 1.637.973.022 anomali traffic atau serangan siber (cyber attack) yang terjadi diseluruh wilayah Indonesia sepanjang tahun 2021, teknik machine learning dapat dimanfaatkan untuk proses pengklasifikasian anomali traffic dengan menggunakan algoritma k-nearest neighbour (KNN) sehingga dapat membedakan data traffic yang bersifat benign atau malicious. Data anomali traffic yang digunakan adalah dataset aposemat IoT-23, didalam dataset tersebut terdapat 23 dataset, lalu terbagi kedalam 20 datasetscenario malicious dan 3 dataset scenario benign. Namun dataset yang digunakan adalah 20 dataset scenario malicious. 20 dataset tersebut selanjutnya dilakukan data preprocessing supaya dapat digunakan untuk proses training model atau pengklasifikasian. Nilai akurasi yang didapatkan setelah proses training model sebesar 0.94 atau 94%, model yang sudah dilakukan training model dapat memprediksi traffic data baru kedalam benign atau malicious, data baru yang sudah disiapkan adalah sebanyak 25 data baru. Prediksi 25 data baru tersebut menghasilkan 20 data diprediksi benar atau sesuai dan 5 data diprediksi salah atau tidak sesuai, 5 data tersebut terbagi menjadi 3 data yang harusnya diprediksi benign dan 2 data yang harusnya diprediksi malicious.

Abstract:The purpose of this study is to know clearly about the effect of supervision on the discipline of employee staff RSUD Dr. Abdul Rivai District of Berau. This writing uses analysis tools that are Product Moment correlation coefficient, simple linear regression equation and hypothesis testing with Test r. Based on the results of the research can be seen that the simple linear regression equation about the influence of supervision on the discipline of employee staff RSUD Dr. Abdul Rivai Berau is Y = 26,94 + 0,61 X. The value of product moment correlation coefficient is 0,5287, so r> 0 (0,5287> 0) hence there is positive linear correlation between supervisory variable and discipline variable work. In this case the closeness of the relationship between the two variables can be interpreted as a fairly good correlation (on a scale of 0.400 to 1.599). The value of t arithmetic is 3.30 while the r value of the table is 0.361. So that th value greater than rt (3,30> 0,361), hence hypothesis proposed in this research accepted or proved that supervision have an effect on signifikan to work discipline employee of RSUD Dr. Abdul Rivai District of Berau.Keywords: Supervision, Work Disciplin