Javascript must be enabled to continue!
Evaluasi Kinerja Algoritma Deep Learning Untuk Deteksi Dini Serangan Siber Pada Jaringan Komputer
View through CrossRef
Perkembangan serangan siber yang semakin kompleks dan dinamis menuntut penerapan sistem deteksi intrusi yang mampu melakukan deteksi dini dengan akurasi tinggi. Penelitian ini bertujuan untuk mengevaluasi kinerja algoritma deep learning dalam mendeteksi serangan siber pada jaringan komputer melalui metode studi literatur. Studi ini mengkaji berbagai penelitian terdahulu yang relevan, termasuk penerapan arsitektur Convolutional Neural Network (CNN), VGGNet-16, dan Transformer-based deep learning, serta membandingkan performa algoritma berdasarkan metrik akurasi, precision, recall, dan F1-score. Hasil analisis menunjukkan bahwa algoritma deep learning secara konsisten lebih unggul dibandingkan pendekatan machine learning tradisional maupun metode konvensional berbasis signature dalam mengenali pola serangan yang kompleks dan dinamis. Model deep learning mampu mengekstraksi fitur secara otomatis dari data jaringan berdimensi tinggi, meningkatkan efektivitas deteksi dini, dan adaptif terhadap serangan baru, termasuk zero-day attack. Meskipun demikian, evaluasi literatur juga menunjukkan adanya variasi kinerja yang dipengaruhi oleh perbedaan dataset, metode evaluasi, dan konteks penerapan, sehingga menekankan pentingnya standardisasi evaluasi kinerja algoritma. Penelitian ini memberikan pemahaman komprehensif mengenai tren, tantangan, dan potensi pengembangan algoritma deep learning untuk sistem keamanan jaringan, sekaligus menjadi acuan bagi penelitian selanjutnya dalam meningkatkan efektivitas deteksi dini serangan siber.
Universitas Pahlawan Tuanku Tambusai
Title: Evaluasi Kinerja Algoritma Deep Learning Untuk Deteksi Dini Serangan Siber Pada Jaringan Komputer
Description:
Perkembangan serangan siber yang semakin kompleks dan dinamis menuntut penerapan sistem deteksi intrusi yang mampu melakukan deteksi dini dengan akurasi tinggi.
Penelitian ini bertujuan untuk mengevaluasi kinerja algoritma deep learning dalam mendeteksi serangan siber pada jaringan komputer melalui metode studi literatur.
Studi ini mengkaji berbagai penelitian terdahulu yang relevan, termasuk penerapan arsitektur Convolutional Neural Network (CNN), VGGNet-16, dan Transformer-based deep learning, serta membandingkan performa algoritma berdasarkan metrik akurasi, precision, recall, dan F1-score.
Hasil analisis menunjukkan bahwa algoritma deep learning secara konsisten lebih unggul dibandingkan pendekatan machine learning tradisional maupun metode konvensional berbasis signature dalam mengenali pola serangan yang kompleks dan dinamis.
Model deep learning mampu mengekstraksi fitur secara otomatis dari data jaringan berdimensi tinggi, meningkatkan efektivitas deteksi dini, dan adaptif terhadap serangan baru, termasuk zero-day attack.
Meskipun demikian, evaluasi literatur juga menunjukkan adanya variasi kinerja yang dipengaruhi oleh perbedaan dataset, metode evaluasi, dan konteks penerapan, sehingga menekankan pentingnya standardisasi evaluasi kinerja algoritma.
Penelitian ini memberikan pemahaman komprehensif mengenai tren, tantangan, dan potensi pengembangan algoritma deep learning untuk sistem keamanan jaringan, sekaligus menjadi acuan bagi penelitian selanjutnya dalam meningkatkan efektivitas deteksi dini serangan siber.
Related Results
Pesan dari Editor-in-Chief: Tantangan Psikologi Siber
Pesan dari Editor-in-Chief: Tantangan Psikologi Siber
Penelitian psikologi tentang tingkah laku di dunia siber (cyber), termasuk di situs jejaring sosial (seperti Facebook dan Instagram yang popularitas-nya sangat tinggi), masih sedik...
PERAN TATA KELOLA PERUSAHAAN DALAM MEMODERASI PENGARUH IMPLEMANTASI GREEN ACCOUNTING, CORPORATE SOCIAL RESPONSIBILITY DAN FIRM SIZE TERHADAP KINERJA KEUANGAN
PERAN TATA KELOLA PERUSAHAAN DALAM MEMODERASI PENGARUH IMPLEMANTASI GREEN ACCOUNTING, CORPORATE SOCIAL RESPONSIBILITY DAN FIRM SIZE TERHADAP KINERJA KEUANGAN
This study examines the role of corporate governance in moderating the influence of green accounting disclosure, corporate social responsibility (CSR), and firm size on the financi...
Deteksi Serangan pada Jaringan IoT Menggunakan Seleksi Fitur Gabungan dan Optimasi Bayesian
Deteksi Serangan pada Jaringan IoT Menggunakan Seleksi Fitur Gabungan dan Optimasi Bayesian
Deteksi serangan berbasis machine learning (ML) berpotensi menjadi alternatif terbaik dalam penanganan ancaman siber pada jaringan internet of things (IoT). Metode ini memiliki kem...
Rekayasa Fitur Berbasis Machine Learning untuk Mendeteksi Serangan DDoS
Rekayasa Fitur Berbasis Machine Learning untuk Mendeteksi Serangan DDoS
Serangan jaringan terdistribusi yang disebut juga dengan distributed denial of service (DDoS) merupakan ancaman dan masalah utama keamanan internet. DDoS adalah serangan pada jarin...
DETEKSI SERANGAN SIBER PADA JARINGAN KOMPUTER MENGGUNAKAN METODE RANDOM FOREST
DETEKSI SERANGAN SIBER PADA JARINGAN KOMPUTER MENGGUNAKAN METODE RANDOM FOREST
Serangan siber merupakan ancaman yang signifikan bagi keamanan jaringan komputer. Oleh karena itu, penelitian ini bertujuan untuk memfokuskan pada pengembangan model deteksi serang...
KEAMANAN SIBER INDONESIA ERA PEMERINTAHAN JOKO WIDODO BERDASARKAN PERSEKTIF SEKURITISASI
KEAMANAN SIBER INDONESIA ERA PEMERINTAHAN JOKO WIDODO BERDASARKAN PERSEKTIF SEKURITISASI
Keberadaan pengguna internet yang masif di Indonesia menjadi sebuah tantangan yang serius bagi Pemerintah untuk menjaga keamanan dalam ruang siber Indonesia. Badan Sandi dan Siber ...
Deteksi Intrusi Untuk Klasifikasi Serangan Jaringan Dengan Penerapan Algoritma Convolutional Neural Network
Deteksi Intrusi Untuk Klasifikasi Serangan Jaringan Dengan Penerapan Algoritma Convolutional Neural Network
Abstrak- Setelah era COVID-19 dari tahun 2020 hingga tahun 2022, penggunaan internet meningkat pesat karena banyak orang harus bekerja dan beraktivitas di rumah. Besar jumlah infor...
IMPLEMENTASI METODE NAIVE BAYES UNTUK INTRUSION DETECTION SYSTEM (IDS)
IMPLEMENTASI METODE NAIVE BAYES UNTUK INTRUSION DETECTION SYSTEM (IDS)
IDS berfungsi untuk mengidentifikasi traffic atau lalu-lintas data pada sebuah jaringan komputer dimana IDS dapat menentukan apakah traffic aman, mencurigakan atau bahkan terindika...

