Strategi dan Efektivitas Deep Learning untuk Mitigasi Ancaman Keamanan Jaringan di Era IoT

Abstract

Pertumbuhan pesat perangkat Internet of Things (IoT) telah membuka peluang besar dalam transformasi digital di berbagai sektor, namun juga menghadirkan tantangan serius terkait keamanan jaringan. Perangkat IoT yang umumnya memiliki kapasitas komputasi terbatas menjadi sasaran empuk bagi berbagai jenis serangan siber. Penelitian ini bertujuan untuk mengevaluasi efektivitas berbagai pendekatan deep learning dalam mendeteksi ancaman keamanan pada jaringan IoT secara otomatis dan adaptif. Metode yang digunakan mencakup eksperimen komparatif terhadap beberapa arsitektur deep learning, seperti Transformer, CNN + LSTM, dan GAN + CNN, dengan memanfaatkan dataset publik UNSW-NB15. Penilaian performa dilakukan menggunakan metrik evaluasi seperti akurasi dan F1-score, serta analisis kemampuan model dalam mendeteksi serangan kompleks seperti DDoS, port scanning, dan serangan zero-day. Hasil penelitian menunjukkan bahwa model Transformer unggul dengan akurasi mencapai 99,1%, sementara model GAN + CNN menunjukkan keunggulan dalam mendeteksi pola serangan baru yang belum dikenali sebelumnya. Model CNN + LSTM juga terbukti efektif dalam menangkap pola spasio-temporal serangan. Penelitian ini memberikan kontribusi signifikan dalam pengembangan sistem deteksi intrusi cerdas berbasis deep learning untuk ekosistem IoT. Temuan ini berpotensi diterapkan pada sistem keamanan jaringan real-time dan berskala besar yang adaptif terhadap ancaman baru.