Kejahatan siber pada drone semakin mengkhawatirkan dengan perkembangan teknologi ini. Peretasan drone dan pencurian data dari perangkat tersebut dapat mengancam privasi, keamanan, dan bahkan kehidupan seseorang, menegaskan perlunya langkah-langkah lebih lanjut dalam melindungi sistem drone dari serangan siber. Klasifikasi data yang tidak seimbang merupakan masalah yang krusial pada bidang machine learning dan data mining yang sering dijumpai dalam deteksi serangan siber pada drone, ketidakseimbangan data memberikan dampak yang buruk pada hasil klasifikasi dimana kelas minoritas sering disalah klasifikasikan sebagai kelas mayoritas. Oleh karena itu, penulis ingin mengidentifikasi serangan siber pada drone menggunakan metode SMOTE, hasil deteksi serangan siber diharapkan mampu meningkatkan performa model dalam penggunaan metode SMOTE untuk mengidentifikasi serangan yang ada.
Pada penelitian ini metode SMOTE mampu mengatasi masalah ketidakseimbangan data dengan melakukan proses sintesis data terdekat untuk memunculkan data baru hingga data menjadi seimbang. Model Gradient Boosting secara keseluruhan memiliki akurasi yang tertinggi dibandingkan model yang lain. Walaupun nilai akurasi yang menjadi fokus utama untuk penilaian kinerja model namun parameter sensitivity dan specifity juga sangat berpengaruh terhadap kinerja model klasifikasi pada kasus imbalance data.
Model yang memiliki nilai tertinggi dari percobaan empat algoritma klasifikasi yakni Random Forest kemudian dibandingkan hasilnya dengan Gradient Boosting dengan menggunakan parameter Number of trees. Hasilnya terjadi tren nilai yang meningkat pada Number of trees = 2 hingga Number of trees = 10 dari nilai beberapa parameter penilaian yaitu AUC, F1 score, precision, recall, specificity, dan akurasi yang dihasilkan oleh Gradient Boosting memiliki rata-rata 96%, hanya memiliki sedikit perbedaan 1-2% lebih tinggi dari nilai yang dihasilkan oleh Random Forest.