Perkembangan teknologi informasi dan komunikasi yang semakin pesat membawa dampak besar bagi berbagai aspek kehidupan manusia, mulai dari pertumbuhan ekonomi digital, efisiensi kerja, hingga transformasi layanan publik. Namun, kemajuan tersebut juga diiringi oleh meningkatnya ancaman keamanan siber. Salah satu ancaman yang cukup serius adalah serangan botnet, yaitu kumpulan perangkat yang terinfeksi malware
dan dikendalikan oleh pihak tertentu untuk melakukan aktivitas berbahaya seperti pencurian data, spam, hingga serangan Distributed Denial of Service (DDoS). Sistem
deteksi intrusi berbasis tanda tangan masih terbatas pada serangan yang sudah dikenal, sehingga dibutuhkan pendekatan berbasis anomali dengan metode unsupervised learning
seperti autoencoder. Penelitian ini bertujuan untuk mengidentifikasi lalu lintas botnet menggunakan autoencoder. Data yang digunakan berasal dari dataset CIC-IDS-2018.
Tahapan meliputi pra-pemrosesan data, pelatihan model autoencoder dan evaluasi model menggunakan metrik kuantitatif seperti accuracy, precision, recall, F1-Score, dan ROCAUC. Hasil penelitian menunjukkan bahwa model autoencoder dengan normalisasi Standardization menghasilkan performa deteksi dengan nilai precision sebesar 88%, sehingga dapat membedakan antara lalu lintas normal dan botnet pada skema deteksi anomali.