EFFENDI, EFFENDI (2026) ANALISIS TRADE-OFF PERFORMA DETEKSI DAN EFISIENSI KOMPUTASI LIGHTWEIGHT CONVOLUTIONAL NEURAL NETWORK MENGGUNAKAN DISCRETE WAVELET TRANSFORM PADA JARINGAN INTERNET OF THINGS (IoT). S2 thesis, Universitas Mercu Buana Jakarta - Menteng.
![[img]](https://repository.mercubuana.ac.id/style/images/fileicons/text.png) |
Text (COVER)
55424110014-EFFENDI-01 Cover - Effendi Wijaya.pdf Download (479kB) |
|
Text (BAB 1)
55424110014-EFFENDI-02 BAB 1 - Effendi Wijaya.pdf Restricted to Registered users only Download (121kB) |
|
Text (BAB 2)
55424110014-EFFENDI-03 BAB 2 - Effendi Wijaya.pdf Restricted to Registered users only Download (343kB) |
|
Text (BAB 3)
55424110014-EFFENDI-04 BAB 3 - Effendi Wijaya.pdf Restricted to Registered users only Download (654kB) |
|
Text (BAB 4)
55424110014-EFFENDI-05 BAB 4 - Effendi Wijaya.pdf Restricted to Registered users only Download (134kB) |
|
Text (BAB 5)
55424110014-EFFENDI-06 BAB 5 - Effendi Wijaya.pdf Restricted to Registered users only Download (43kB) |
|
Text (DAFATR PUSTAKA)
55424110014-EFFENDI-08 daftar pustaka - Effendi Wijaya.pdf Restricted to Registered users only Download (124kB) |
|
Text (LAMPIRAN)
55424110014-EFFENDI-09 daftar lampiran - Effendi Wijaya.pdf Restricted to Registered users only Download (458kB) |
Abstract
Perkembangan Internet of Things (IoT) meningkatkan konektivitas perangkat dan volume lalu lintas jaringan, namun juga memperluas permukaan serangan sehingga diperlukan mekanisme deteksi anomali yang akurat dan efisien. Penelitian ini bertujuan menganalisis pengaruh penggunaan Discrete Wavelet Transform (DWT) dan pemilihan basis wavelet terhadap performa deteksi anomali jaringan IoT serta kompleksitas komputasi Lightweight Convolutional Neural Network (CNN). Evaluasi dilakukan menggunakan tiga benchmark dataset, yaitu BoT-IoT, UNSW- NB15, dan N-BaIoT. Setiap network record direpresentasikan sebagai vektor fitur numerik, distandardisasi menggunakan StandardScaler, diseimbangkan dengan SMOTE hanya pada core training set, kemudian di-zero-padding hingga 136 elemen. Lima konfigurasi diuji, yaitu baseline tanpa DWT serta db4, db6, bior3.5, dan bior6.8 dengan dekomposisi level 3. Seluruh konfigurasi diproses menggunakan arsitektur Lightweight CNN berbasis SeparableConv1D yang identik. Performa dievaluasi menggunakan Accuracy, Precision, Recall, F1-Score, Matthews Correlation Coefficient (MCC), dan AUC, sedangkan kompleksitas komputasi dievaluasi berdasarkan jumlah parameter dan FLOPs. Hasil menunjukkan bahwa pada BoT-IoT, bior6.8 menghasilkan MCC 0,605 ± 0,092 dan AUC 0,902 ± 0,020, meningkat sekitar 20,3% dan 15,1% dibandingkan baseline. Pada UNSW-NB15, baseline menghasilkan MCC 0,797 ± 0,032 dan AUC 0,968 ± 0,010 dengan 2.999.857 FLOPs, sekitar 26,0% lebih rendah daripada bior6.8. Pada N-BaIoT, db6 dan bior6.8 menghasilkan MCC sekitar 0,9987, sedangkan baseline 0,9983 dengan selisih hanya sekitar 0,04%; baseline membutuhkan FLOPs 18,5% lebih rendah daripada db6 dan 26,0% lebih rendah daripada bior6.8. Secara keseluruhan, FLOPs meningkat 35,1% dari baseline ke bior6.8, sementara seluruh konfigurasi tetap memiliki 20.004 parameter. Dengan demikian, manfaat DWT bersifat dataset-dependent dan tambahan kompleksitas tidak selalu meningkatkan performa. Kata Kunci: deteksi anomali IoT, Discrete Wavelet Transform, Lightweight CNN, MCC, FLOPs
| Item Type: | Thesis (S2) |
|---|---|
| NIM/NIDN Creators: | 55424110014 |
| Uncontrolled Keywords: | deteksi anomali IoT, Discrete Wavelet Transform, Lightweight CNN, MCC, FLOPs |
| Subjects: | 600 Technology/Teknologi > 620 Engineering and Applied Operations/Ilmu Teknik dan operasi Terapan |
| Divisions: | Pascasarjana > Magister Teknik Elektro |
| Depositing User: | NAJHWA LAILI SYAFAQOH |
| Date Deposited: | 23 Sep 2026 04:32 |
| Last Modified: | 23 Sep 2026 04:32 |
| URI: | http://repository.mercubuana.ac.id/id/eprint/104066 |
Actions (login required)
 |
View Item |
