Rizki Mulia Primary Author mixed material bibliography Banda Aceh Fakultas MIPA (S1) 2025

Skripsi

Keamanan siber menjadi isu krusial di tengah pesatnya perkembangan digital, seiring meningkatnya volume lalu lintas jaringan dan kompleksitas serangan siber. Studi ini bertujuan untuk membandingkan performa model Convolutional Neural Network (CNN), Long Short-Term Memory (LSTM), dan dua model hybrid (CNN-LSTM dan LSTM-CNN) dalam mendeteksi serangan siber pada lalu lintas jaringan. Dataset yang digunakan adalah HIKARI-2021, yang mencakup berbagai jenis lalu lintas jaringan, baik normal maupun berbahaya. Penelitian ini melalui beberapa tahapan, termasuk analisis deskriptif, pengolahan data, serta pemodelan dengan deep learning. Model CNN digunakan untuk mengekstraksi fitur spasial dari data lalu lintas jaringan, sedangkan LSTM diterapkan untuk menangkap pola temporal. Pendekatan hybrid menggabungkan keunggulan kedua model untuk meningkatkan akurasi klasifikasi. Hasil eksperimen menunjukkan bahwa model hybrid LSTM-CNN memberikan performa terbaik dengan akurasi sebesar 93,30%, precision sebesar 93,22%, recall sebesar 93,30%, dan F1-score sebesar 93,20%. Selain itu, penerapan SMOTE terbukti meningkatkan akurasi model secara signifikan, yakni sebesar 10–12% dibandingkan sebelum dilakukan penyeimbangan data. Temuan ini menegaskan bahwa penggunaan teknik hybrid deep learning yang dikombinasikan dengan strategi penyeimbangan data dapat secara efektif meningkatkan akurasi klasifikasi dan deteksi serangan siber pada sistem keamanan jaringan. Implementasi metode ini diharapkan dapat memperkuat sistem keamanan siber yang lebih adaptif dan responsif terhadap ancaman siber di masa depan. Kata kunci: keamanan siber, deep learning, CNN, LSTM, model hybrid, ketidakseimbangan data 0 ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala 158959 2025-07-08 13:23:17 2025-07-08 14:29:55 machine generated