Pratama, Rahman Bayu (2026) ANALISIS KINERJA AOS-ELM UNTUK INTRUSION DETECTION SYSTEM REAL-TIME PADA LINGKUNGAN IOT ESPHOME BERBASIS EDGE COMPUTING. S2 thesis, Universitas Mercu Buana Jakarta- Menteng.
![[img]](https://repository.mercubuana.ac.id/style/images/fileicons/text.png) |
Text (COVER)
55424110009 - Rahman Bayu Pratama - 01 Cover - rahman bayu pratama.pdf Download (567kB) |
|
Text (BAB 1)
55424110009 - Rahman Bayu Pratama - 02 BAB 1 - rahman bayu pratama.pdf Restricted to Registered users only Download (47kB) |
|
Text (BAB 2)
55424110009 - Rahman Bayu Pratama - 03 BAB 2 - rahman bayu pratama.pdf Restricted to Registered users only Download (269kB) |
|
Text (BAB 3)
55424110009 - Rahman Bayu Pratama - 04 BAB 3 - rahman bayu pratama.pdf Restricted to Registered users only Download (296kB) |
|
Text (BAB 4)
55424110009 - Rahman Bayu Pratama - 05 BAB 4 - rahman bayu pratama.pdf Restricted to Registered users only Download (455kB) |
|
Text (BAB 5)
55424110009 - Rahman Bayu Pratama - 06 BAB 5 - rahman bayu pratama.pdf Restricted to Registered users only Download (89kB) |
|
Text (DAFTAR PUSTAKA)
55424110009 - Rahman Bayu Pratama - 07 Daftar Pustaka - rahman bayu pratama.pdf Restricted to Registered users only Download (94kB) |
|
Text (LAMPIRAN)
55424110009 - Rahman Bayu Pratama - 08 Lampiran - rahman bayu pratama.pdf Restricted to Registered users only Download (481kB) |
Abstract
Perangkat IoT berbasis ESPHome dalam ekosistem Home Assistant semakin banyak digunakan, tetapi rentan terhadap serangan Denial of Service (DoS) seperti SYN Flood dan Slowloris yang dapat melumpuhkan sistem. Perangkat edge dengan sumber daya terbatas sulit menjalankan sistem deteksi intrusi (IDS) yang akurat tanpa membebani memori dan prosesor, terutama saat menghadapi perubahan pola trafik atau concept drift yang menurunkan performa model statis. Penelitian ini mengusulkan IDS berbasis Adaptive Online Sequential Extreme Learning Machine (AOS-ELM) yang diimplementasikan secara real-time pada Raspberry Pi 5 dan LattePanda v1. Sistem menangkap trafik Native API ESPHome menggunakan packet sniffing, melakukan ekstraksi fitur berbasis jendela waktu, dan mengklasifikasikan trafik NORMAL dan ATTACK dengan pembelajaran sekuensial online. Mekanisme adaptive forgetting factor pada AOS-ELM memungkinkan model beradaptasi terhadap concept drift dengan memberi bobot lebih besar pada data terbaru tanpa pelatihan ulang. Hasil pengujian menunjukkan sistem mencapai akurasi 98,34%, presisi 99,55%, recall 97,21%, dan F1-score 98,36% pada Raspberry Pi 5, dengan peningkatan penggunaan RAM RSS hanya 7,89% (dari 179,08 MB menjadi 193,22 MB) saat serangan. Waktu inferensi rata-rata 121,88 ms, sekitar 5,07 kali lebih cepat dibanding LattePanda v1 (618,51 ms). Pada skenario concept drift dengan perubahan pola serangan, akurasi tetap di atas 95% dan recall di atas 97%, sedangkan pada skenario DDoS akurasi mencapai 97,92% dan F1-score 98,01%. Hasil ini membuktikan AOS-ELM mampu mendeteksi serangan DoS/DDoS secara efisien, adaptif, dan layak diimplementasikan pada perangkat edge dengan sumber daya terbatas.
| Item Type: | Thesis (S2) |
|---|---|
| NIM/NIDN Creators: | 55424110009 |
| Uncontrolled Keywords: | AOS-ELM, IDS, edge computing, IoT, DoS, concept drift, ESPHome. |
| Subjects: | 600 Technology/Teknologi > 620 Engineering and Applied Operations/Ilmu Teknik dan operasi Terapan > 621 Applied Physics/Fisika terapan |
| Divisions: | Fakultas Teknik > Teknik Elektro |
| Depositing User: | ZAHRA AULIA FEBRIANI |
| Date Deposited: | 06 Oct 2026 07:45 |
| Last Modified: | 06 Oct 2026 07:45 |
| URI: | http://repository.mercubuana.ac.id/id/eprint/104287 |
Actions (login required)
 |
View Item |
