DETEKSI SERANGAN BRUTE FORCE MENGGUNAKAN AUTOENCODER DAN CONVOLUTIONAL NEURAL NETWORK (CNN) PADA JARINGAN IOT

HAWMELIA PONTESYAH (2025) DETEKSI SERANGAN BRUTE FORCE MENGGUNAKAN AUTOENCODER DAN CONVOLUTIONAL NEURAL NETWORK (CNN) PADA JARINGAN IOT. Skripsi thesis, Universitas Bina Insan Lubuklinggau.

Text RAMA_55201_2102020159.pdf Download (31MB)

Abstract

Abstrak Keamanan jaringan Internet of Things (IoT) menghadapi ancaman serius dari serangan Brute Force, di mana penyerang mencoba kombinasi kata sandi hingga mendapatkan akses tidak sah. Penelitian ini mengusulkan metode deteksi serangan Brute Force menggunakan Autoencoder dan Convolutional Neural Network (CNN) untuk meningkatkan keamanan jaringan IoT. Autoencoder digunakan untuk mengekstraksi fitur penting dari data lalu lintas jaringan, sementara CNN mengklasifikasikan data sebagai normal atau serangan. Model diuji menggunakan IoT Dataset 2023 dan dievaluasi dengan metrik Accuracy, Precision, Recall, dan F1-Score. Hasil pengujian menunjukkan akurasi 99,72% untuk klasifikasi dengan 2 fitur dan 99,7278% untuk klasifikasi dengan 3 fitur. Precision yang diperoleh adalah 89,38% pada klasifikasi 2 fitur dan 89,3% pada klasifikasi 3 fitur. Sementara itu, Recall memiliki nilai 86,78% untuk klasifikasi 2 fitur dan 86,6% untuk klasifikasi 3 fitur, dengan F1-Score masing-masing sebesar 87,99% dan 87,9%. Selain itu, visualisasi kinerja model melalui grafik Loss, Accuracy, dan ROC Curve menunjukkan bahwa model tidak mengalami masalah overfitting maupun underfitting. Hasil perbandingan juga mengindikasikan bahwa model dengan 2 fitur sudah cukup optimal dalam mendeteksi serangan IoT, karena penambahan fitur ketiga tidak memberikan peningkatan yang signifikan dalam performa model. Dengan demikian, kombinasi metode Autoencoder dan CNN terbukti efektif dalam mendeteksi serangan Brute Force pada jaringan IoT dan dapat menjadi solusi awal dalam meningkatkan keamanan sistem IoT terhadap ancaman siber. Kata Kunci: IoT, Brute Force, Autoencoder, CNN, Keamanan Jaringan

Item Type:	Thesis (Skripsi)
Subjects:	T Technology > T Technology (General)
Divisions:	Fakultas Komputer > Program Studi Informatika
Depositing User:	Admin Perpus UnivBI
Date Deposited:	30 Mar 2026 08:04
Last Modified:	30 Mar 2026 08:04
URI:	https://eprints.univbinainsan.ac.id/id/eprint/633

Actions (login required)

View Item