Kecepatan teknologi internet yang terus bertambah berbanding dengan harga per
bandwidth yang terus menurun membuat internet menjadi salah satu kebutuhan
utama pada masyarakat untuk mencari informasi, hiburan dan lain sebagainya. Hal
tersebut mengakibatkan maraknya pemasangan fasilitas internet pada Home Area
Network (HAN) atau jaringan rumahan. HAN sendiri memiliki beberapa celah
keamanan yang perlu untuk ditinjau secara berkala agar serangan DDoS terbesar
dalam sejarah jaringan berskala kecil tidak terulang kembali. Salah satu solusi
untuk meninjau sisi kemanan yang terdapat pada jaringan rumahan adalah
mengimplementasi Network Intrusion Detection System (NIDS). Namun,
pengimplementasian NIDS pada jaringan rumahan sangat jarang dilakukan karena
terkendala faktor biaya dan sumber daya manusia untuk mengoperasikannya. NIDS
sendiri memiliki dua metode pendeteksian yang sering digunakan, yaitu Misuse
Detection dan Anomaly Detection. Setiap metode memiliki kelemahan dalam
melakukan pendeteksian intrusi yang terdapat pada jaringan. Oleh sebab itu, pada
tesis ini penulis merancang dan mengimplementasi sebuah Network Intrusion
Detection System (NIDS) yang menggunakan metode Hybrid Detection untuk
menutupi kelemahan pada metode misuse detection dan anomaly detection. Pada
anomaly detection, Artificial Intelligence dengan algoritme Deep Neural Network
(DNN) yang digunakan memiliki tingkat akurasi sebesar 94,45% dengan nilai false
positive yang sangat rendah dalam mengklasifikasikan NetFlow anomali. Pada
penelitian ini, Raspberry Pi digunakan untuk menekan biaya produksi. Selain itu,
Security Information and Event Management (SIEM) dan sistem yang dirancang
secara otomatis digunakan untuk mempermudah pengguna awam dalam proses
pengoperasian NIDS tersebut. Sebuah prototipe NIDS dihasilkan pada penelitian
ini dan diharapkan dapat diimplementasikan pada Home Area Network (HAN) atau
jaringan berskala rumahan dengan tujuan meningkatkan faktor keamanan pada
jaringan tersebut.