DEEP LEARNING DENGAN TEKNIK EARLY STOPPING UNTUK MENDETEKSI MALWARE PADA PERANGKAT IOT

Surya, Iwang Moeslem Andika (2025) DEEP LEARNING DENGAN TEKNIK EARLY STOPPING UNTUK MENDETEKSI MALWARE PADA PERANGKAT IOT. Undergraduate thesis, “Universitas Muhammadiyah Jember.

	Text HALAMAN DEPAN.pdf Download (1MB)
	Text ABSTRACT.pdf Download (410kB)
	Text BAB 1.pdf Download (410kB)
	Text BAB 2.pdf Restricted to Repository staff only Download (683kB) | Request a copy
	Text BAB 3.pdf Restricted to Repository staff only Download (724kB) | Request a copy
	Text BAB 4.pdf Restricted to Repository staff only Download (650kB) | Request a copy
	Text BAB 5.pdf Restricted to Repository staff only Download (407kB) | Request a copy
	Text daftar pustaka.pdf Download (382kB)
	Text DAFTAR LAMPIRAN.pdf Restricted to Repository staff only Download (301kB) | Request a copy

Abstract

Perkembangan teknologi yang pesat, khususnya Internet of Things (IoT), telah memberikan dampak signifikan dalam berbagai sektor kehidupan manusia. IoT memungkinkan pertukaran data antar perangkat secara otomatis melalui jaringan internet, mengubah cara manusia berinteraksi dengan lingkungan sekitarnya. Meskipun IoT memberikan berbagai manfaat, seperti kemudahan mengakses perangkat dari jarak jauh, kehadirannya juga membawa potensi bahaya terkait dengan keamanan siber, privasi, dan ketergantungan terhadap teknologi. Artikel ini membahas upaya untuk mengatasi ancaman keamanan siber pada ekosistem IoT dengan mengimplementasikan sistem deteksi berbasis klasifikasi malware. Pendekatan ini memanfaatkan teknik pembelajaran mesin, terutama deep learning, untuk mengidentifikasi dan memitigasi ancaman siber. Penggunaan Convolutional Neural Network (CNN) dalam klasifikasi dataset IoT-23 dengan teknik penyeimbangan data SMOTE (Synthetic Minority Oversampling Technique) serta fungsi Early Stopping menunjukkan hasil yang tinggi, dengan Akurasi yang didapat pada dataset tidak seimbang adalah sebesar 99% sedangkan pada dataset seimbang sebesar 75%. Sedangkan Presisi dan Recall yang didapat pada dataset tidak seimbang di kelas 0 adalah 100% dan 35%, sedangkan pada kelas 1 adalah 99% dan 100%. Pada dataset seimbang, presisi dan recall di kelas 0 adalah 67% dan 100%, sedangkan pada kelas 1 adalah 100% dan 51%.

Contribution

Nama Dosen Pembimbing

NIDN/NIDK

Dosen Pembimbing

Cahyanto, Triawan Adi

NIDN0702098804

Dosen Pembimbing

Muharom, Lutfi Ali

NIDN0727108202

Item Type:	Thesis (Undergraduate)
Keywords/Kata Kunci:	malware, deep learning, SMOTE, early stopping, CNN
Subjects:	000 Computer Science, Information, & General Works > 005 Computer Programming, Programs, & Data
Divisions:	Faculty of Engineering > Department of Informatics Engineering (S1)
Depositing User:	Iwang Moeslem Andika Surya | moeslemiwang@gmail.com
Date Deposited:	05 Nov 2025 04:33
Last Modified:	05 Nov 2025 04:36
URI:	http://repository.unmuhjember.ac.id/id/eprint/27589

Actions (login required)

View Item