Abdul Rahim

Pertumbuhan pesat perangkat Edge-Internet of Things (Edge-IoT) meningkatkan kerentanan terhadap serangan siber, khususnya Distributed Denial of Service (DDoS). Pendekatan deep learning, meskipun akurat, menghadapi dua tantangan utama dalam lingkungan Edge-IoT: (1) tuntutan komputasi yang tinggi sehingga tidak efisien untuk perangkat edge yang memiliki sumber daya terbatas , dan (2) sifatnya sebagai "kotak hitam" (black box) yang membuat keputusan model sulit dipahami dan dipercaya. Penelitian ini bertujuan untuk merancang arsitektur lightweight deep learning yang efisien untuk deteksi DDoS secara real-time di perangkat edge, yang terintegrasi dengan visualisasi Explainable Artificial Intelligence (XAI) berbasis cloud untuk meningkatkan transparansi dan interpretabilitas. Metodologi penelitian ini menggunakan dataset publik, CICIoT2023 dan Edge-IIoTset , yang akan diproses menjadi data sekuensial menggunakan teknik sliding windows. Dua arsitektur ringan akan dieksplorasi dan dibandingkan: Gated Recurrent Unit (GRU) sebagai baseline dan model hibrida Ekstraksi Fitur berbasis Autoncoder dengan GRU dan Attention. Model terbaik akan dioptimalkan lebih lanjut menggunakan teknik pruning dan quantization dan divalidasi kinerjanya pada perangkat keras fisik (Raspberry Pi 5). Hasil deteksi dari perangkat edge kemudian akan didistribusikan ke cloud untuk dianalisis menggunakan metode Explainable Artificial Intelligence (XAI) guna memberikan penjelasan atas keputusan model. Penelitian ini diharapkan dapat menghasilkan kerangka kerja deteksi DDoS yang tidak hanya akurat dan efisien untuk diimplementasikan di lingkungan Edge-IoT dengan sumber daya terbatas, tetapi juga transparan dan dapat dipercaya melalui visualisasi XAI. Kata Kunci: Deteksi DDoS, Lightweight Deep Learning, Edge-IoT, Explainable Artificial Intelligence (XAI), Keamanan Siber, Gated Recurrent Unit (GRU), CICIOT2023