Perpustakaan Digital ITB

Pemanfaatan Internet of Things (IoT) yang meningkat secara eksponensial telah memperluas risiko keamanan akibat banyaknya perangkat yang terhubung. Keterbatasan sumber daya komputasi pada perangkat IoT menjadi tantangan utama, di mana solusi keamanan seperti Intrusion Detection System (IDS) tidak hanya dituntut akurat, tetapi juga harus efisien dan ringan (lightweight) agar dapat diimplementasikan secara praktis. Pada penelitian ini, dikembangkan sebuah IDS dengan mengimplementasikan modul traffic collector, analysis engine, dan aplikasi user interface. Menggunakan dataset CICIoT2023, dibangun sebuah model deteksi berbasis Deep Reinforcement Learning (DRL) dengan algoritma Deep Q-Network (DQN) yang kemudian di-deploy pada perangkat Raspberry Pi 4 Model B. Hasil analisis pengujian menunjukkan bahwa model DRL yang diimplementasikan mampu mendeteksi lalu lintas jaringan dengan metrik F1-Score 0.8142 yang menyeimbangkan antara precision 0.8734 dan recall 0.7814. Dari aspek lightweight, model ini menunjukkan performa yang sangat baik dengan ukuran model hanya 100.40 KB dan latensi inferensi sangat cepat sebesar 11.53 ms, membuktikan potensinya untuk deployment real-time pada perangkat IoT. Meskipun demikian, penggunaan memori statis menjadi tantangan yang teridentifikasi untuk optimisasi di masa depan