Analisis Komparatif Pendekatan Deep Learning untuk Kinerja Sistem Deteksi Intrusi di Lingkungan IoT - Dalam bentuk buku karya ilmiah

MUHAMMAD LAZUARDI PRASETYO

Informasi Umum

Kode

24.04.2229

Klasifikasi

004.21 - Systems Analysis and Computer Design

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Cyber-physical Systems

Dilihat

501 kali

Informasi Lainnya

Abstraksi

<p>Deteksi intrusi dalam konteks Internet of Things (IoT) memiliki tujuan utama untuk mengidentifikasi dan merespons aktivitas yang dapat membahayakan keamanan sistem. Fokus penelitian ini adalah mengembangkan model deteksi intrusi yang efektif untuk jaringan IoT dengan membandingkan performa tiga model utama yaitu Convolutional Neural Network (CNN), (Long Short-Term Memory LSTM), dan Recurrent Neural Network (RNN). Hasil penelitian menunjukkan bahwa model CNN mengungguli dengan akurasi tertinggi, mencapai 99.97%. Sementara LSTM dan RNN juga mencapai kinerja tinggi dengan akurasi masing-masing sebesar 99.76% dan 99.58%. Meskipun perbedaan akurasi antara model kecil, CNN secara konsisten menunjukkan performa yang sedikit lebih unggul dalam mengklasifikasi aktivitas mencurigakan. CNN memiliki nilai tertinggi pada semua metrik, termasuk akurasi (100%), presisi (100%), recall (99.99%), F1-Score (100%), dan AUC score (99.97%). Model LSTM dan RNN juga menunjukkan hasil yang sangat baik, walaupun sedikit lebih rendah dibandingkan dengan CNN. Secara keseluruhan, hasil ini menegaskan bahwa ketiga model mampu memberikan tingkat deteksi intrusi yang sangat tinggi dan memberikan kontribusi signifikan dalam pengembangan solusi keamanan untuk sistem IoT di masa depan. Kata Kunci: deteksi intrusi, internet of things , convolutional neural network, long short-term memory, recurrent neural network</p>