Deteksi Rogue Access Point (RAP) sangat penting untuk menghindari serangan Evil Twin Attack (ETA) di lingkungan kampus, seperti yang dilakukan di Telkom University, khususnya di gedung TULT. Penelitian ini bertujuan untuk mengembangkan dan menguji model Machine Learning (ML) yang mampu mendeteksi RAP berdasarkan data yang dikumpulkan menggunakan airodump-ng. Data yang diperoleh mencakup berbagai parameter jaringan, seperti Channel, Speed, Privacy, Cipher, Authentication, Power, dan beacons.
Proses pengujian dimulai dari pengumpulan data menggunakan perangkat TP-Link WN821N dan airodump-ng Linux Ubuntu. Data yang dikumpulkan kemudian disimpan dalam format CSV dan diunggah ke Firebase Realtime Database. Data ini kemudian diolah menggunakan teknik encoding dengan metode one-hot encoding pada fitur kategorikal, seperti Privacy, Cipher, dan Authentication. Setelah itu, data yang sudah diolah digunakan untuk melatih model ML menggunakan algoritma Feedforward Neural Network (FNN) dengan arsitektur sequential.
Hasil pelatihan menunjukkan bahwa model mengalami peningkatan akurasi dan penurunan nilai loss yang signifikan. Pada beberapa epoch, nilai loss melonjak dan akurasi menurun drastis yang menunjukkan adanya potensi masalah, seperti overfitting dan underfitting. Namun, secara keseluruhan, model berhasil mencapai akurasi yang cukup tinggi dan menunjukkan kemampuan yang baik dalam mengklasifikasikan data pelatihan. Selain itu, pengujian Quality of Service (QoS) juga dilakukan untuk mengukur throughput, delay, dan packet loss dalam mengakses database Firebase dan dashboard. Hasil pengujian menunjukkan bahwa throughput sebagian besar stabil dengan beberapa lonjakan signifikan, sementara delay cenderung konsisten dengan beberapa variasi kecil. Packet loss hampir tidak ada, kecuali satu pengujian yang menunjukkan nilai loss sebesar 0.11%. Penelitian ini menunjukkan bahwa model ML efektif dalam mendeteksi RAP dan dapat diandalkan untuk diterapkan dalam lingkungan jaringan yang lebih luas. Hasil pengujian QoS menunjukkan kinerja jaringan yang baik. Hal ini memberikan dasar yang kuat untuk pengembangan lebih lanjut dan implementasi praktis dalam meningkatkan keamanan jaringan nirkabel di lingkungan kampus.
Kata Kunci : Rogue Access Point (RAP), Evil Twin Attack (ETA), Machine Learning (ML), Feedforward Neural Network (FNN), Quality of Service (QoS).