OPTIMASI DETEKSI ANOMALI JARINGAN IOT MENGGUNAKAN AUTOENCODER DENGAN PENDEKATAN PER-FEATURE THRESHOLD PADA DATASET RT-IOT2022

Nicholas Gendy Putra Mahardika, . (2025) OPTIMASI DETEKSI ANOMALI JARINGAN IOT MENGGUNAKAN AUTOENCODER DENGAN PENDEKATAN PER-FEATURE THRESHOLD PADA DATASET RT-IOT2022. Skripsi thesis, Universitas Pembangunan Nasional Veteran Yogyakarta.

	Text 1_Cover_123210017_Nicholas Gendy Putra Mahardika.pdf Download (173kB)
	Text 2_Abstrak_123210017_Nicholas Gendy Putra Mahardika.pdf Download (259kB)
	Text 3_Halaman Pengesahan_123210017_Nicholas Gendy Putra Mahardika.pdf Download (342kB)
	Text 4_Daftar Isi_123210017_Nicholas Gendy Putra Mahardika.pdf Download (345kB)
	Text 5_Daftar Pustaka_123210017_Nicholas Gendy Putra Mahardika.pdf Download (215kB)
	Text 6_Skripsi full_123210017_Nicholas Gendy Putra Mahardika.pdf Restricted to Repository staff only Download (2MB)

Abstract

Penelitian ini mengangkat permasalahan deteksi anomali pada jaringan Internet of Things (IoT) yang memiliki karakteristik data multivariat dan time-series kompleks. Deteksi anomali sangat penting untuk menjaga keamanan dan performa sistem IoT, namun metode konvensional kerap menghadapi tantangan berupa heterogenitas data dan tingginya false positive rate. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan dan mengevaluasi model Autoencoder pada dataset RT-IoT2022, dengan membandingkan dua strategi deteksi yakni global threshold sebagai baseline dan per-feature threshold sebagai metode optimasi.
Metode penelitian yang digunakan adalah eksperimen kuantitatif. Hasil pengujian menunjukkan bahwa model baseline yang menggunakan global threshold (Persentil 97) mampu mendeteksi sebagian besar anomali (F1-Score 0.911), namun memiliki kelemahan kritis berupa False Negative Rate (FNR) sebesar 16.3%, yang berarti banyak serangan lolos dari deteksi. Sebaliknya, metode optimasi per-feature threshold dengan kombinasi mixed dan strategi agregasi any terbukti unggul secara signifikan. Pendekatan ini berhasil menekan FNR secara drastis hingga menjadi 0.6% (penurunan 96.3%), serta meningkatkan F1-Score anomali menjadi 0.995 dan presisi pada kelas normal sebesar 544.6%.
Penelitian ini menyimpulkan bahwa pendekatan per-feature threshold secara signifikan lebih efektif, andal, dan aman dibandingkan global threshold untuk mendeteksi anomali pada traffic IoT yang heterogen. Kontribusi utama penelitian ini adalah pembuktian kuantitatif bahwa ambang batas adaptif per fitur mampu mengatasi kelemahan model Autoencoder konvensional, terutama dalam meminimalkan jumlah serangan yang terlewat. Model yang dihasilkan menawarkan solusi deteksi anomali yang lebih robust dan efisien, sangat relevan untuk implementasi keamanan siber pada sistem IoT.

Kata Kunci: Autoencoder, deteksi anomali, IoT, reconstruction error, threshold per-fitur, RT-IoT2022

Item Type:	Tugas Akhir (Skripsi)
Additional Information:	Nicholas Gendy Putra Mahardika (Penulis - 123210017) Andrey Ferriyan (Pembimbing)
Uncontrolled Keywords:	Autoencoder, deteksi anomali, IoT, reconstruction error, threshold per-fitur, RT-IoT2022
Subjek:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	Bayu Pambudi
Date Deposited:	22 Oct 2025 07:23
Last Modified:	22 Oct 2025 07:23
URI:	http://eprints.upnyk.ac.id/id/eprint/44800

Actions (login required)

View Item