Detection of Wireless Router Impersonation with Machine Learning  - Capstone

AZHRA AUFAHADI YASIK

Informasi Umum

Kode

24.04.3657

Klasifikasi

005.8 - Data security, access control, computer network security, firewalls

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Tugas Akhir

Dilihat

484 kali

Informasi Lainnya

Abstraksi

Deteksi Rogue Access Point (RAP) sangat penting untuk menghindari serangan Evil Twin Attack (ETA) di lingkungan kampus, seperti yang dilakukan di Telkom University, khususnya di gedung TULT. Penelitian ini bertujuan untuk mengembangkan dan menguji model Machine Learning (ML) yang mampu mendeteksi RAP berdasarkan data yang dikumpulkan menggunakan airodump-ng. Data yang diperoleh mencakup berbagai parameter jaringan, seperti Channel, Speed, Privacy, Cipher, Authentication, Power, dan beacons.

Proses pengujian dimulai dari pengumpulan data menggunakan perangkat TP-Link WN821N dan airodump-ng Linux Ubuntu. Data yang dikumpulkan kemudian disimpan dalam format CSV dan diunggah ke Firebase Realtime Database. Data ini kemudian diolah menggunakan teknik encoding dengan metode one-hot encoding pada fitur kategorikal, seperti Privacy, Cipher, dan Authentication. Setelah itu, data yang sudah diolah digunakan untuk melatih model ML menggunakan algoritma Feedforward Neural Network (FNN) dengan arsitektur sequential.

Hasil pengujian menunjukkan bahwa model mengalami peningkatan akurasi dan penurunan nilai loss yang signifikan. Pada beberapa epoch, nilai loss melonjak dan akurasi menurun drastis, yang menunjukkan adanya potensi masalah seperti overfitting dan underfitting. Model mencapai akurasi tertinggi sebesar 99.72% dengan nilai loss 0.04296. Pengujian Quality of Service (QoS) juga dilakukan untuk mengukur throughput, delay, dan packet loss dalam mengakses database Firebase dan dashboard. Hasil pengujian menunjukkan bahwa throughput rata-rata adalah 12416.03 bits/detik. Delay rata-rata tercatat sebesar 0.18 detik, dengan variasi antara 0.12 hingga 0.29 detik. Tidak ada packet loss yang terdeteksi dalam pengujian ini, dengan rata-rata 0.000%. Penelitian ini menunjukkan bahwa model ML efektif dalam mendeteksi RAP dan dapat diandalkan untuk diterapkan dalam lingkungan jaringan yang lebih luas. Hasil pengujian QoS menunjukkan kinerja jaringan yang baik. Hal ini memberikan dasar yang kuat untuk pengembangan lebih lanjut dan implementasi praktis dalam meningkatkan keamanan jaringan nirkabel di lingkungan kampus.

Kata Kunci : Rogue Access Point (RAP), Evil Twin Attack (ETA), Machine Learning (ML), Feedforward Neural Network (FNN), Quality of Service (QoS).