TY  - THES
Y1  - 2026/02/26/
A1  - Prasetyanto, Yunus Eka
UR  - https://eprints.amikom.ac.id/id/eprint/32091/
M1  - bachelor
PB  - Universitas AMIKOM Yogyakarta
ID  - universitasamikomyogyakarta32091
AV  - restricted
KW  - IoT
KW  -  LSTM
KW  -  TensorFlow Lite
KW  -  Deteksi Anomali
KW  -  Enkripsi AES-128
KW  -  Anomaly Detection
KW  -  AES-128 Encryption.
TI  - SISTEM KEAMANAN DATA IOT BERBASIS ENKRIPSI 
AES-128 DAN DETEKSI ANOMALI LSTM DENGAN
OPTIMASI TENSORFLOW LITE PADA
PERANGKAT EDGE
N2  - Keamanan jaringan pada ekosistem Internet of Things (IoT) menjadi isu
krusial seiring meningkatnya perangkat terhubung dengan sumber daya komputasi
terbatas. Ancaman seperti penyadapan data dan serangan intrusi membahayakan
integritas sistem, sementara metode deteksi konvensional kerap membebani
kinerja perangkat. Penelitian ini mengusulkan sistem keamanan bertingkat yang
menggabungkan kriptografi AES-128 untuk kerahasiaan data dan Intrusion
Detection System (IDS) berbasis Long Short-Term Memory (LSTM) untuk deteksi
anomali. Model LSTM dilatih menggunakan dataset CICIoT2023 dengan teknik
SMOTE pada data latih untuk menyeimbangkan kelas (rasio awal
normal:serangan 1:41), kemudian dioptimasi menggunakan kuantisasi dinamis
TensorFlow Lite (TFLite) agar efisien dijalankan di perangkat edge. Pengujian
dilakukan dengan mensimulasikan enkripsi secara terisolasi pada VM 32-bit dan
pengujian integrasi inferensi pada lingkungan 64-bit. 
Hasil penelitian menunjukkan model mampu mencapai akurasi
keseluruhan sebesar 99%, dengan kemampuan mengenali kelas normal yang
sangat baik (Recall 0,99 dan F1-score 0,83). Konversi ke format TFLite berhasil
mempercepat waktu inferensi rata-rata hingga 134,3 kali lipat (dari 113,85 ms
pada model standar menjadi 0,848 ms) tanpa mengorbankan performa deteksi.
Proses enkripsi AES-128 berjalan sangat efisien dengan latensi di bawah 1 ms.
Secara akumulatif, integrasi sistem keamanan enkripsi dan deteksi anomali (endto-end)

ini hanya menambah total beban latensi sekitar 1,0 ms, yang sangat
memenuhi standar real-time untuk aplikasi IoT (umumnya < 100 ms). Penelitian
ini membuktikan bahwa kombinasi enkripsi simetris dan deteksi anomali berbasis
kecerdasan buatan yang dioptimasi sangat layak diimplementasikan pada
ekosistem perangkat edge yang terbatas, meskipun implementasi langsung pada
perangkat keras fisik masih disarankan untuk pengujian selanjutnya.
ER  -