Fakhri Naufal Dhaifullah

Pesatnya adopsi teknologi Internet of Things (IoT) pada ekosistem rumah pintar (smart home) meningkatkan risiko serangan Man-in-the-Middle (MITM) melalui teknik ARP Spoofing. Penelitian ini mengusulkan sistem deteksi intrusi cerdas berbasis algoritma Deep Learning dengan arsitektur Long Short-Term Memory (LSTM) untuk mengamankan perangkat Smart Door Lock Bardi. Dataset diperoleh secara mandiri melalui skema live tapping menggunakan Wireshark yang menghasilkan total 989 baris data, terdiri dari 617 baris kelas serangan (Attack) dan 372 baris kelas normal (Normal). Aliran paket data tersebut diekstraksi menggunakan CICFlowMeter dan melalui tahap pra-pemrosesan yang meliputi data cleaning, label encoding, serta standardisasi menggunakan Min-Max Scaler hingga menghasilkan 63 fitur statistik trafik jaringan yang bersih dari informasi identitas administratif. Hasil evaluasi menunjukkan bahwa Model 4 dengan arsitektur Stacked LSTM (64 dan 32 unit) pada Skenario 4 (pembagian data 75% Train, 15% Validation, 10% Test) dengan panjang pelatihan 80 Epoch terpilih sebagai model terbaik mutlak. Model ini sukses mencapai performa superior dengan Akurasi sebesar 99,00%, Presisi 98,41%, F1-Score 99,20%, serta nilai Recall sempurna 100,00%. Ketiadaan kebocoran data pada parameter False Negative (0 data) membuktikan keandalan tinggi model dalam menjaring seluruh aktivitas intrusi ARP Spoofing.