METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
9 No.
1 (April 2.
ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
PEMODELAN SISTEM DETEKSI INTRUSI PADA SISTEM SMART HOME
PEMANTAUAN KONSUMSI ENERGI LISTRIK BERBASIS MACHINE LEARNING
Eddy Prasetyo NugrohoA.
Sabian Annaya Havid.
Muhammad Nursalman Program Studi Ilmu Komputer.
FPMIPA.
Universitas Pendidikan Indonesia.
Bandung.
Indonesia Email: eddypn@upi.
DOI: https://doi.
org/10.
46880/jmika.
Vol9No1.
ABSTRACT
The occurrence of electricity usage that exceeds the power capacity of the home requires a smart home system that can monitor electricity consumption efficiently.
This smart home system is built based on the Internet of Things (IoT) which can help electricity users at home to evaluate usage more easily and in an integrated manner.
The development of this IoT-based smart home system uses the ESP32 Micro Controller Unit (MCU) and the PZEM004T v.
0 sensor.
The reading results from the system can be seen on the front end of the web-based application and the LCD module on the controller system.
To obtain the efficiency of electricity usage, an electricity usage leakage detection system is needed or in this case, it is called an intrusion detection system or Intrusion Detection System (IDS).
The development of IDS by identifying anomalies based on electricity usage.
The IDS model utilizes Machine Learning with a labelling process pattern as a preprocess using the Isolation Forest unsupervised learning algorithm and the classification process using the Random Forest supervised learning algorithm with Anomaly and Normal status.
Evaluation of the IDS model on the dataset that has gone through labelling gives quite good results with an accuracy value of 99.
63 %.
IDS Model is ready to be tested in the implementation of classifying recorded data in real-time against several electrical energy load scenarios in the future.
Keyword: Internet of Things.
Smart Home System.
IDS.
Machine Learning.
Model Evaluation.
ABSTRAK
Kejadian pemakaian energi listrik yang melebihi batas dari kemampuan daya energi di rumah membutuhkan sistem pintar rumahan .
mart home syste.
yang dapat memantau konsumsi energi listrik secara efisien.
Sistem smart home ini dibangun dengan berbasis Internet of Things (IoT) dapat membantu pengguna listrik di rumah untuk mengevaluasi pemakaian dengan lebih mudah dan terpadu.
Pembangunan sistem smart home berbasis IoT ini menggunakan Micro Controller Unit (MCU) ESP32 dan sensor PZEM-004T v.
Hasil pembacaan dari sistem dapat dilihat pada front-end aplikasi berbasis web dan modul LCD pada sistem kontroler.
Untuk mendapatkan efisiensi pemakaian listrik tersebut diperlukan sistem deteksi kebocoran pemakaian energi Listrik atau dalam hal ini disebutkan sistem deteksi intrusi atau Intrusion Detection System (IDS).
Pembangunan IDS dengan mengidentifikasi berbasis anomali dari pemakaian energi listriknya.
Model IDS memanfaatkan Machine Learning dengan pola proses pelabelan sebagai praproses menggunakan algoritma unsupervised learning Isolation Forest dan proses klasifikasi menggunakan algoritma supervised learning Random Forest dengan status Anomali dan Normal.
Evaluasi terhadap model IDS terhadap dataset yang telah melalui labeling memberikan hasil yang cukup baik dengan nilai akurasi sebesar 99,63 %.
Model IDS siap untuk diuji dalam implementasi mengklasifikasi data rekaman secara real-time terhadap beberapa skenario beban energi listrik nantinya.
Kata Kunci: Internet of Things.
Smart Home System.
IDS.
Machine Learning.
Evaluasi Model.
PENDAHULUAN
Setiap aktivitas manusia saat ini tidak terlepas dari kebutuhan terhadap energi listrik.
Kehadiran perangkat elektronik dalam kehidupan turut membantu masyarakat ketika melakukan aktivitas seperti bekerja, bermain, dan belajar.
Setiap perangkat elektronik memerlukan energi listrik yang menjadikan hal tersebut sebagai salah satu kebutuhan primer.
Berdasarkan data yang dilansir dari Badan Pusat Statistik, pelanggan listrik kelompok rumah tangga mencapai 14.
pelanggan (Badan Pusat Statistik, 2.
Berdasarkan data yang dilansir dari Kementerian Energi dan Sumber Daya Mineral (ESDM) konsumsi listrik masyarakat Indonesia mencapai 1.
173 kWh per kapita pada tahun 2022, 1.
285 kWh per kapita pada tahun 2023 dan ditargetkan akan mencapai hingga 1.
408 kWh per kapita pada tahun 2024 (Kementerian Energi dan Sumber Daya Mineral, 2.
Setiap individu Halaman 42 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
9 No.
1 (April 2.
masyarakat indonesia memiliki karakteristik yang unik mengenai konsumsi harian listrik mereka yang dipengaruhi oleh jumlah perangkat elektronik beserta intensitas pemakaiannya (Sahroni et al.
, 2.
Untuk mencegah terjadinya pengeluaran rumah tangga, industri, maupun organisasi yang besar karena konsumsi energi listrik yang tidak terkontrol, maka pengguna harus sadar akan pentingnya berhemat dalam menggunakan listrik (Suarna & Edy, 2.
Pengelolaan konsumsi listrik yang tidak baik dapat berpotensi memberikan kerugian kepada masyarakat dan negara (Susantok et al.
, 2.
Mayoritas pengguna listrik di Indonesia hanya mengandalkan meteran listrik yang disediakan oleh perusahaan listrik negara (PLN) untuk mengetahui jumlah pemakaian secara total pada keseluruhan rumah (Lulu Sabillah & Hidayat, 2.
dan yang harus dibayar baik pengguna pascabayar maupun prabayar, tetapi meteran tersebut tidak dapat memberikan rincian informasi seperti perangkatperangkat yang mengakibatkan pemakaian menjadi tinggi sehingga pengguna tidak memiliki akses untuk melakukan evaluasi pemakaian listrik mereka.
Salah satu solusi yang ditawarkan untuk menjawab permasalahan tersebut adalah dengan pengembangan sistem pemantauan pemakaian energi listrik berbasis Internet of Things (IoT).
Dilihat dari sudut pandang things-oriented.
Internet of Things atau Internet of Objects adalah rangkaian perangkat yang dapat melihat, mendengar, berfikir, bertukar informasi, serta melakukan tugas dan membuat keputusankeputusan yang saling terkoordinasi (Sadhu et al.
IoT saat ini berkembang secara pesat dan sudah diimplementasikan di berbagai domain seperti Industri 0.
Otomasi manufaktur.
Smart City.
Smart Grid.
Intelligent Healthcare.
Smart Home, dan lain-lain.
Jumlah perangkat IoT yang terkoneksi pada tahun 2025 diperkirakan akan menyentuh hingga 75.
44 miliar perangkat (Statista, 2.
Berkembangnya jumlah IoT beserta keuntungan yang ditawarkan juga memiliki resiko khususnya pada sektor keamanan.
Jumlah dan variasi perangkat IoT seperti populasi, konvolusi, heterogenitas, variasi, interoperabilitas, portabilitas, mobilitas, lokasi, topologi, dan dispersi objek berbanding lurus dengan banyaknya attack surface terhadap IoT (Sadhu et al.
, 2.
Sistem deteksi intrusi atau Intrusion Detection System (IDS) adalah suatu sistem untuk mendeteksi kemungkinan intrusi pada suatu jaringan perangkat Hal ini memungkinkan terjadi juga pada jaringan perangkat IoT dengan cara mengaudit data jaringan, lalu lintas jaringan, informasi, security log, dan parameter-parameter lain sesuai dengan kebutuhan ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
sistem deteksi intrusinya.
Oleh karena itu, diperlukan dataset referensi relevan sesuai dengan kebutuhan sistem (Nugroho et al.
, 2.
Pada penelitian ini peneliti mengajukan sebuah Model IDS pada konsumsi listrik di rumah sehari- hari dengan dukungan pendekatan Machine Learning.
Pendekatan Machine Learning ini menggunakan model unsupervised, dan model supervised.
Pada kebiasaan konsumsi listrik terjadinya nilai data listrik yang fluktuatif secara ekstrem dapat dikategorikan sebagai perilaku abnormal dan hal ini menjadi indikator anomali pada model IDS yang diusulkan (Qaddoori & Ali, 2.
Akan tetapi, pada pengembangan sistem pemantauan konsumsi energi listrik belum terbentuk labeling kategori dari dataset yang menunjukkan perilaku normal maupun anomali penggunaan listrik sehingga model IDS menggunakan algoritma unsupervised learning seperti Isolation Forest untuk memberikan label terhadap penggunaan listrik tersebut.
Setelah dataset memiliki label perilaku maka algoritma supervised learning Random Forest digunakan untuk mendeteksi anomali pada data konsumsi listrik secara real-time.
METODE PENELITIAN
Gambar 1 memberikan deskripsi pendekatan dalam penelitian digunakan untuk mengembangkan model arsitektur sistem smart home ini adalah dengan menganalisis kondisi sistem penggunaan energi listrik rumahan sehari-hari terhadap semua perangkat yang biasa digunakan dan melakukan perubahan teknologi sistem pemantauan energi listrik dengan menerapkan konsep IoT dan penggunaan algoritma Machine Learning yang sesuai dengan kebutuhan efisiensi Gambar 1.
Diagram Alir Penelitian Halaman 43 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
9 No.
1 (April 2.
Hal pertama yang dilakukan adalah menganalisis dan mengidentifikasi sistem sistem pemantauan energi listrik saat ini.
Proses analisis dimulai dari menganalisis proses bisnis sistem sistem pemantauan energi listrik di rumah dengan mempelajari arsitektur jaringan listrik yang bisa dimanfaatkan untuk penggunaan smart home berbasis IoT.
Hal kedua adalah melakukan studi pustaka mengenai penerapan teknologi IoT yaitu mengenai Sensor/Aktuator.
Micro Controller Unit dan arsitektur Sistem integrasi smart home yang sesuai serta pendekatan algoritma machine learning yang sesuai Proses terakhir adalah melakukan perubahan teknologi pada sistem dengan menerapkan teknologi IoT dan penggunaan machine learning dalam komputasiya dengan menghasilkan arsitektur sistem integrasi pemantauan energi listerik.
Arsitektur sistem kontroler yang disesuaikan dengan kebutuhan bisnis proses pemantauan energi listrik rumahan secara efektif dan efisien.
ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
melalui query yang telah disesuaikan dan juga akan diolah lebih lanjut oleh sistem IDS dengan bantuan algoritma Isolation Forest dan Random Forest yang terdapat pada library Scikit-learn.
Hasil olah data dapat ditampilkan pada front-end melalui Application Programming Interface (API) yang telah dirancang.
Arsitektur Fisik Kontroler berbasis IoT Gambar 3.
Arsitektur Fisik Kontroler Berbasis IoT
HASIL DAN PEMBAHASAN
Desain Arsitektur Sistem Pemantauan Konsumsi Energi Listrik Gambar 4.
Prototipe Alat yang Sudah Dirakit Gambar 2.
Desain Arsitektur Sistem Pemantauan Konsumsi Energi Listrik Pada Gambar 2, rangkaian desain arsitektur sistem pemantauan pemakaian energi listrik berbasis IoT memberikan hasil pembacaan dari kontroler IoT akan dikirimkan ke server menggunakan protokol MQTT.
Lalu, data tersebut akan diterima oleh frontend yang dikembangkan menggunakan Vue javascript untuk ditampilkan pada web dashboard, dan diterima oleh back-end yang dikembangkan menggunakan Express javascript agar data dapat diolah.
Data yang diterima oleh back-end dikirim ke database MySQL Arsitektur fisik kontroler pada Gambar 3 memberikan gambaran rancangan rangkaian fisik kontroler berbasis Internet of Things (IoT) berdasarkan arsitektur sistem pada Gambar 1 yang dapat membantu dalam simulasi perakitan modul dan kontroler.
Kontroler menggunakan MCU Arduino ESP32 Devkit V1.
Modul kontroler IoT yang dirakit, ditunjukkan pada Gambar 4 menjadi prototipe alat menggunakan media breadboard dan aktivitas observasi konsumsi energi listrik berdasarkan pemakaian perangkat elektronik yang terhubung ke terminal stop kontak yang ada pada gambar tersebut.
Untuk mendeteksi arus, kabel yang dimiliki oleh terminal dapat ditaruh melalui coil transformer (CT), alat ini merupakan kelengkapan bawaan dari modul PZEM-004T V3.
0 (Harahap et al.
Halaman 44 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
9 No.
1 (April 2.
Tabel 1.
Pemetaan PIN I/O modul dan kontroler Modul
Pin I/O Pin
Kontroler Visual
Display GDD
GND
I2C LCD
VCC
SDA
SDA
SCL
SCL
Buzzer KY-012
GND
GPIO2
PZEM-004T V3.
0 GND
GND
VCC
RX2
TX2
Electromechanical GND
GND
Switch Relay
VCC
VCC
IN1
GPIO32
IN2
GPIO33
Pada rangkaian kontroler IoT yang ditunjukkan Gambar 3 dan dengan pemetaan detil tiap sensor pada Tabel 1.
PZEM-004T V3.
0 yang merupakan modul sensor multifungsi (Harahap et al.
, 2.
membaca konsumsi listrik dengan beberapa keluaran seperti besaran arus, daya, tegangan, energi, frekuensi, dan power factor.
Sebagian parameter yang sesuai dengan kebutuhan akan ditampilkan pada Visual Display I2C LCD dan keseluruhan data akan dikirimkan ke local server melalui protokol Message Queueing Telemetry Transport (MQTT).
Electromechanical switch relay berfungsi untuk mengatur aliran arus listrik sesuai dengan kebutuhan dan keinginan pengguna.
Selanjutnya, buzzer KY-012 digunakan untuk memberi peringatan apabila sistem memiliki beban daya lebih dari batasan yang telah didefinisikan oleh pengguna sebelumnya atau apabila terjadi adanya intrusi yang terdefinisi oleh model machine learning yang telah dijelaskan sebelumnya.
Model Intrusion Detection System (IDS) berbasis Machine Learning Berdasarkan rancangan model Intrusion Detection System yang diperlihatkan pada Gambar 5 dibawah, proses pengembangan model akan diawali oleh pengumpulan dataset mentah yang berasal dari data telemetri sistem kontroler berbasis IoT berupa konsumsi energi listrik yang bertujuan untuk kebutuhan training dan testing model.
Dataset tersebut akan melalui praproses untuk menangani records yang memerlukan perbaikan seperti nilai-nilai kosong (NULL), lalu akan dilakukan Proses Autolabeling yang merupakan clustering menggunakan algoritma Isolation Forest dengan fitur-fitur kelistrikan yang ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
Lalu, dataset yang telah berhasil diberi label akan digunakan untuk keperluan training dan testing klasifikasi menggunakan algoritma Random Forest.
Apabila performa model telah dianggap cukup baik, maka akan dipergunakan untuk memprediksi label konsumsi listrik secara real-time.
Gambar 5.
Rancangan Model Intrusion Detection System untuk Pemantauan Konsumsi Energi Listrik Pengujian Model Sistem Setelah perancangan prototipe perangkat dinyatakan selesai maka akan diuji dengan memberikan beban perangkat elektronik yang umum ditemukan di rumah tangga.
Kemudian, apabila sistem berhasil mendeteksi besaran data listrik dari beban yang terhubung, maka akan diuji terhadap perilaku anomali dan normal menggunakan model IDS yang telah Pengujian dianggap selesai apabila model IDS berhasil memilah perilaku anomali dan normal.
Setelah perakitan prototipe alat monitoring konsumsi energi listrik menggunakan modul I2C LCD.
PZEM-004T.
Buzzer KY-012.
Mechanical switch relay selesai dan berhasil berfungsi setelah dihubungkan ke terminal stop kontak, maka selanjutnya adalah menghubungkan konektivitas MQTT.
HTTP, dan fungsional server.
Selanjutnya, dapat dilakukan pengujian terhadap sistem dengan langkah sebagai berikut.
Memberikan beban listrik terhadap sistem dengan menghubungkan perangkat elektronik .
Menyimpan hasil pencatatan konsumsi energi listrik pada database .
Melakukan pemantauan hasil pencatatan konsumsi daya listrik pada LCD, front-end dan database .
Mengembangkan model IDS berbasis machine learning dengan sumber data dari hasil pencatatan yang sudah tersimpan .
Melakukan evaluasi terhadap model IDS Halaman 45 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
9 No.
1 (April 2.
Gambar 6 menunjukkan gambaran faktual pengujian prototipe alat pemantauan konsumsi energi listrik yang sedang diuji dengan diberi beban energi berupa satu perangkat phone charger.
ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
juga turut berhasil menampilkan data hasil perekaman data konsumsi energi listrik.
Lalu, back-end juga berhasil menyimpan seluruh hasil rekaman pada struktur database yang dapat dilihat pada Gambar 9.
Gambar 6.
Rangkaian Prototipe Alat Keseluruhan Gambar 9.
Data Hasil Rekaman pada PHPMyAdmin Gambar 7.
Tampilan Data Sekilas pada I2C LCD Berdasarkan hasil pengujian yang dapat dilihat LCD seperti pada Gambar 7, sistem berhasil merekam data konsumsi energi listrik dan menampilkannya pada I2C LCD.
Pengujian Model IDS berbasis Machine Learning Untuk keperluan pemberian label perilaku anomali dan normal pada setiap rekaman maka akan digunakan algoritma Isolation Forest (IF).
Isolation Forest merupakan algoritma dari unsupervised learning dengan metode berbasis isolasi dengan cara memisahkan isi dataset (Togbe et al.
, 2.
Istilah `isolation` pada Isolation Forest memiliki arti Aomemisahkan suatu hal dari hal lainnyaAo dan karena hal yang bersifat anomali cenderung sedikit dan berbeda dari hal yang bersifat normal, maka anomali akan cenderung lebih mudah untuk diisolasi (Liu et al.
Labeling menggunakan algoritma ini diterapkan 863 baris data hasil perekaman monitoring konsumsi energi listrik dengan memilih seluruh fitur.
Gambar 10.
Hasil Labeling Isolation Forest Gambar 8.
Tampilan Awal Aplikasi Berbasis Web Gambar 8 merupakan tampilan front-end dari aplikasi berbasis web bernama Smergy.
Aplikasi ini bertujuan agar pengguna dapat melihat data konsumsi listrik secara real-time, mengetahui jumlah konsumsi daya harian, dan juga dapat melihat data rekaman yang bersifat intrusi.
Berdasarkan hasil pengujian front-end Proses pemberian label menggunakan enam fitur hasil perekaman sensor yaitu tegangan, arus, daya, energi, frekuensi, dan power factor dan menghasilkan hasil yang terlihat pada Gambar 10 yaitu label yang bersifat anomali yaitu 3421 atau sekitar 11 persen dari keseluruhan dataset.
Proses selanjutnya yaitu mengklasifikasi dataset dengan menggunakan algoritma Random Forest yang bersifat supervised learning dengan training dan Halaman 46 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
9 No.
1 (April 2.
testing yang berdasarkan label dari hasil pengembangan model oleh Isolation Forest.
Dari 863 baris data keseluruhan, 33 persen akan digunakan untuk keperluan testing dan 67 persen akan digunakan untuk keperluan training.
Terakhir akan dilakukan evaluasi model IDS ini.
Pengujian terhadap model IDS ini diaplikasikan dalam tiga skenario beban energi listrik yaitu ketika kontroler menerima besaran energi dengan nilai NAN.
sensor mendeteksi konsumsi listrik yang normal.
sensor mendeteksi konsumsi listrik yang tinggi.
Gambar 11.
Output Skenario Energi Listrik Dengan Nilai NAN Gambar 11 menunjukkan skenario apabila kontroler memiliki nilai NAN pada fitur-fitur energi listrik dapat disebabkan oleh beberapa hal seperti terjadinya short circuit, modul PZEM-004T V3.
0 yang mengalami malfungsi, atau faktor lain yang turut berkontribusi terhadap gangguan sistem tersebut.
Pada skenario ini, sistem akan memberikan keluaran seperti pada gambar 9 serta menyalakan modul buzzer KY012.
ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
Tabel 2.
Hasil Output IDS Skenario Konsumsi Listrik Normal Item Nilai Voltage Current Power Energy Frequency Power_factor Label Hasil pengujian terhadap skenario konsumsi listrik yang normal seperto pada Tabel 2, memperlihatkan bahwa sistem berhasil mendeteksi konsumsi perangkat elektronik berdaya rendah dan model dapat memberikan label yang sesuai.
Tabel 3.
Hasil Output IDS Skenario Konsumsi Listrik Tinggi Item Nilai Voltage Current Power Energy Frequency Power_factor Label Tabel 3 menujukkan hasil pengujian terhadap skenario konsumsi listrik tinggi memperlihatkan bahwa sistem berhasil mendeteksi konsumsi perangkat elektronik berdaya tinggi dan model dapat memberikan label yang sesuai yaitu AoanomaliAo.
Gambar 12.
Nilai Distribusi pada Fitur Daya Gambar 12 menunjukkan Nilai distribusi daya konsumsi energi listrik yang digunakan.
Berdasarkan nilai rata-rata daya dari distribusi dalam dataset, data ini tersusun atas sebagian besar hasil rekaman konsumsi perangkat elektronik berdaya rendah yang umum ditemukan di rumah tangga.
Oleh karena itu, perangkat elektronik berdaya rendah merupakan skenario konsumsi listrik yang normal pada penelitian Gambar 13.
Confusion Matrix Random Forest Classifier Gambar 13 menunjukkan evaluasi model memperlihatkan bahwa akurasi dari prediksi dari sistem klasifikasi oleh algoritma Random Forest terhadap dataset untuk testing memberikan hasil yang cukup baik dengan nilai seperti terlihat pada Tabel 4.
Halaman 47 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
9 No.
1 (April 2.
Tabel 4.
Hasil Evaluasi Model Metrik Nilai Akurasi Precision Recall Setelah model dianggap telah berhasil memberikan hasil yang cukup baik maka IDS akan diintegrasikan dengan back-end sehingga bisa mendeteksi data yang bersifat anomali secara realtime.
KESIMPULAN
Perancangan Model IDS sistem smarthome pemantauan konsumsi energi listrik berbasis IoT menggunakan mikrokontroler Arduino ESP32 devkit V1, modul PZEM-004T V3.
I2C LCD Display, buzzer KY-012, mechanicalswitch relay memberikan evaluasi model dengan akurasi cukup baik untuk digunakan yaitu 99,63%.
Hai ini memberikan kesimpulan bahwa sistem dapat digunakan untuk mendeteksi intrusi atau loncatan pemakaian energi yang abnormal dari besaran konsumsi energi listrik, sistem juga dapat menyimpan dan menampilkan hasil pembacaan pada I2C LCD dan front-end aplikasi berbasis web.
Pada penelitian ini, data konsumsi energi listrik juga dapat diklasifikasi terkait sifat penggunaanya dengan membangun sebuah Intrusion Detection System menggunakan dua algoritma machine learning yaitu Isolation Forest dan Random Forest.
Adapun saran yang dapat diberikan untuk pengembangan penelitian di masa depan adalah membangun model IDS dengan dataset yang lebih banyak agar evaluasi dapat dilakukan di skenario yang lebih besar seperti penggunaan di rumah sakit, perkantoran, dan sebagainya.
Lalu, pengembangan prototipe juga dapat dilanjutkan dengan memberikan modul pendukung dan alat dilindugi dengan casing agar lebih aman dan bagus untuk dilihat.
Penerapan model IDS yang sudah diuji dengan baik seyogyanya dapat diintegrasikan dengan back-end sehingga bisa mendeteksi data yang bersifat anomali secara real-time.
DISEMINASI
Artikel ini telah diseminasikan pada Seminar Nasional Teknologi Informasi dan Komunikasi (SEMNASTIK) APTIKOM Tahun 2024 yang diselenggarakan oleh Universitas Methodist Indonesia pada tanggal 24-26 Oktober 2024.
ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
DAFTAR PUSTAKA