SISTEM KEAMANAN DATA IOT BERBASIS ENKRIPSI AES-128 DAN DETEKSI ANOMALI LSTM DENGAN OPTIMASI TENSORFLOW LITE PADA PERANGKAT EDGE

Prasetyanto, Yunus Eka (2026) SISTEM KEAMANAN DATA IOT BERBASIS ENKRIPSI AES-128 DAN DETEKSI ANOMALI LSTM DENGAN OPTIMASI TENSORFLOW LITE PADA PERANGKAT EDGE. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER - ABSTRAK) COVER.pdf - Published Version Download (772kB)
	Text (BAB I) BAB I.pdf - Published Version Download (290kB)
	Text (BAB II) BAB II.pdf - Published Version Restricted to Registered users only Download (827kB)
	Text (BAB III) BAB III.pdf - Published Version Restricted to Registered users only Download (444kB)
	Text (BAB IV) BAB IV.pdf - Published Version Restricted to Registered users only Download (773kB)
	Text (BAB V) BAB V.pdf - Published Version Download (153kB)
	Text (DAFTAR PUSTAKA - LAMPIRAN) Daftar Pustaka dan Lampiran.pdf - Published Version Restricted to Registered users only Download (476kB)
	Archive (SOURCE CODE) Sourcecode -22.11.4976.zip Restricted to Repository staff only Download (5kB)
	Text (PUBLIKASI) Publikasi.pdf - Published Version Restricted to Repository staff only Download (737kB)

Abstract

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.

Actions (login required)

View Item