Aldi Hoirul Fatih

Perkembangan Internet of Things (IoT) memungkinkan perangkat fisik seperti kamera, pintu rumah, tv, lampu dan peralatan rumah tangga lainnya yang terhubung ke internet untuk membentuk sistem Smart Home yang cerdas dan nyaman. Namun, konektivitas antar perangkat yang heterogen ini juga meningkatkan kerentanan terhadap serangan siber, khususnya Distributed Denial of Service (DDoS). Pada penelitian ini digunakan metode Deep Learning, khususnya Deep Neural Network (DNN) dan Autoencoder (AE) untuk mendeteksi serangan DDoS dalam dataset. Tools seperti IDS Snort juga digunakan pada penelitian ini untuk mengetahui serangan pada DDoS dan CICFlowMeter berperan sebagai ekstraksi data dari format pcap menjadi csv. Hasil dari penelitian tersebut menunjukan bahwa metode Autoencoder berhasil mengekstraksi fitur ataupun menreduksi dimensi dengan performa terbaik menggunakan perbandingan 80% training dan 20% testing dengan hasil training loss 0.0052 dan validation loss 0.0054 dan diklasifikasi oleh Deep Neural Network dengan epoch 250 berhasil menghasilkan evaluasi sebesar accuracy 99,53%, precision 99,53%, recall 99,53%, dan f1-score 99,53%.