<![CDATA[Jaringan small office umumnya dikelola dengan sumber daya terbatas sehingga rentan terhadap ancaman siber yang tidak terdeteksi secara dini. Penelitian ini merancang dan mengimplementasikan sistem monitoring infrastruktur jaringan small office yang terintegrasi dengan mekanisme deteksi anomali trafik berbasis deep learning. Sistem dibangun menggunakan tiga komponen utama: pengumpulan data melalui protokol SNMP dan packet sniffing berbasis Scapy, pemrosesan dan klasifikasi trafik menggunakan model Fully Connected Neural Network dengan fungsi aktivasi Softmax, serta dashboard visualisasi. Topologi jaringan disimulasikan menggunakan GNS3 dengan MikroTik Cloud Hosted Router (CHR) sebagai gateway utama dan Kali Linux sebagai agen penyerang untuk pengujian skenario serangan. Dataset dibangun dari empat kelas trafik — Normal, Denial of Service (DoS), Port Scanning, dan SSH Brute Force — yang diekstraksi menggunakan metode Time-Windowing 3 detik. Model deep learning yang dilatih menggunakan algoritma class weighting, Early Stopping, dan ReduceLROnPlateau berhasil mencapai akurasi pelatihan 99,28% dan akurasi validasi 99,48% tanpa indikasi overfitting. Hasil pengujian menunjukkan bahwa sistem mampu mendeteksi seluruh kelas serangan secara real-time dan menampilkan peringatan pada dashboard secara otomatis, menjadikannya solusi monitoring yang komprehensif, ringan, dan adaptif untuk infrastruktur jaringan small office.]]>
Copyrights © 2026
