| dc.description.abstract | Perkembangan teknologi digital mendorong implementasi konsep smart city yang
mengandalkan jaringan IoT untuk meningkatkan efisiensi layanan publik. Namun,
kompleksitas jaringan ini meningkatkan risiko serangan siber yang dapat mengganggu layanan
kritis. Penelitian ini mengkaji penerapan Federated Learning (FL) sebagai pendekatan
terdistribusi untuk membangun Network Intrusion Detection System (NIDS) tanpa
memusatkan data mentah, sehingga privasi tetap terjaga. Dataset yang digunakan adalah ToN-
IoT, dengan simulasi distribusi data IID (Independent and Identically Distributed) dan Non-
IID menggunakan Dirichlet untuk merepresentasikan heterogenitas antar client. Dua algoritma
FL, yaitu Federated Averaging (FedAvg) dan Federated Proximal (FedProx), dibandingkan
pada dua arsitektur deep learning: Multi-Layer Perceptron (MLP) dan Convolutional Neural
Network 1D (CNN-1D), untuk skenario klasifikasi biner dan multi-kelas.
Hasil eksperimen menunjukkan bahwa FedProx lebih stabil pada kondisi Non-IID
dibanding FedAvg, meskipun dengan biaya komputasi lebih tinggi. CNN-1D memberikan
performa lebih baik daripada MLP, terutama pada skenario multi-kelas, dengan peningkatan
akurasi dan F1-Score yang signifikan. Penelitian ini merekomendasikan penggunaan FedProx
dengan CNN-1D untuk lingkungan smart city yang heterogen, karena mampu menjaga
stabilitas pelatihan dan akurasi deteksi serangan. | en_US |
