ANALISIS SERANGAN RECON MENGGUNAKAN CNN PADA JARINGAN IOT

KRISNA RIZKI PRATAMA (2025) ANALISIS SERANGAN RECON MENGGUNAKAN CNN PADA JARINGAN IOT. Skripsi thesis, Universitas Bina Insan Lubuklinggau.

Text RAMA_55201_2102020105.pdf Download (40MB)

Abstract

Keamanan jaringan pada Internet of Things (IoT) merupakan salah satu tantangan utama di era digital saat ini, seiring dengan meningkatnya jumlah perangkat IoT yang terhubung. Salah satu ancaman signifikan namun sering kali diabaikan adalah serangan Reconnaissance (Recon), yang bertujuan mengumpulkan informasi jaringan untuk memfasilitasi serangan lebih lanjut. Penelitian ini bertujuan mengembangkan model deteksi serangan Recon menggunakan kombinasi Autoencoder dan Convolutional Neural Network (CNN). Autoencoder digunakan untuk ekstraksi data dari file PCAP (Packet Capture), menghasilkan representasi numerik yang lebih sederhana dan informatif. Data hasil ekstraksi ini kemudian disimpan dalam bentuk CSV dan digunakan sebagai input untuk model CNN, yang dilatih untuk mendeteksi pola-pola mencurigakan yang mengindikasikan serangan. Penelitian ini menggunakan dataset dari UNB Repository untuk proses pelatihan dan evaluasi. Hasil penelitian menunjukkan bahwa model yang dikembangkan mampu mencapai akurasi tinggi, yaitu di atas 98%, dengan nilai Area Under Curve (AUC) sebesar 1.00 pada ROC Curve dan Precision-Recall Curve. Evaluasi menggunakan k-fold cross-validation juga menunjukkan stabilitas model, dengan akurasi rata-rata pada data training dan validasi tetap di angka 98%. Penelitian ini membuktikan bahwa kombinasi Autoencoder dan CNN adalah solusi yang andal dalam mendeteksi serangan Recon pada jaringan IoT. Hasil ini memberikan kontribusi teoritis di bidang keamanan jaringan berbasis deep learning serta menawarkan pendekatan praktis untuk meningkatkan keamanan jaringan IoT. Kata Kunci: IoT, Keamanan Jaringan, Serangan Recon, Autoencoder, CNN

Item Type:	Thesis (Skripsi)
Subjects:	T Technology > T Technology (General)
Divisions:	Fakultas Komputer > Program Studi Informatika
Depositing User:	Admin Perpus UnivBI
Date Deposited:	06 Feb 2026 04:30
Last Modified:	06 Feb 2026 04:30
URI:	http://eprints.univbinainsan.ac.id/id/eprint/477

Actions (login required)

View Item