Penerapan Deep Learning untuk Deteksi Anomali dalam Jaringan Keamanan Siber Menggunakan Recurrent Neural Networks (RNNs)
Abstract Views: 957
PDF Downloads: 480
DOI:
https://doi.org/10.56211/blendsains.v3i4.800Keywords:
Anomali; Jaringan; Siber; RNNs
Abstract
Keamanan siber merupakan aspek kritis dalam era digital yang terus berkembang, di mana ancaman serangan siber semakin kompleks dan dinamis. Deteksi anomali dalam jaringan menjadi salah satu metode penting untuk mengidentifikasi aktivitas mencurigakan yang dapat mengindikasikan serangan siber. Penelitian ini bertujuan untuk menerapkan teknik deep learning, khususnya Recurrent Neural Networks (RNNs), untuk mendeteksi anomali dalam jaringan keamanan siber. RNNs dipilih karena kemampuannya dalam memproses data sekuensial dan menangkap pola temporal, yang sangat relevan dalam analisis lalu lintas jaringan. Dataset yang digunakan dalam penelitian ini mencakup berbagai skenario serangan siber dan aktivitas normal untuk melatih model. Eksperimen ini diharapkan dapat menunjukkan bahwa RNNs mampu mencapai akurasi yang tinggi dalam mendeteksi anomali dengan tingkat false positive yang rendah. Selain itu, model ini juga menunjukkan kemampuan adaptasi yang baik terhadap pola serangan yang baru. Temuan ini diharapkan dapat mengindikasikan bahwa penerapan RNNs dapat menjadi solusi efektif untuk meningkatkan sistem deteksi anomali dalam keamanan siber, memberikan perlindungan yang lebih proaktif terhadap ancaman yang terus berkembang.
Downloads
References
A. R. N. Nisa, A. D. Wijayanto, A. P. J. Priana, dan A. Setiawan, “Analisis Log Server untuk mendeteksi Serang DDoS pada Keamanan Jaringan di Website,” Journal of Internet and Software Engineering, vol. 1, no. 3, pp. 1–17, 2024. DOI: https://doi.org/10.47134/pjise.v1i3.2612
J. E. D. A. Albuquerque Filho et al., “Review of Neural Networks for Anomaly Detection,” IEEE Access, vol. 10, pp. 112345–112347, 2022. doi: 10.1109/ACCESS.2022.3216007. DOI: https://doi.org/10.1109/ACCESS.2022.3216007
C. D. Berliana, T. A. Saputra, dan I. Gunawan, “Analisis Serangan dan Keamanan pada Denial of Service (DOS): Sebuah Review Sistematik,” Jurnal Ilmiah Informatika dan Komputer, vol. 1, no. 2, pp. 33–38, 2022. doi: 10.51901/jiifkom.v1i2.229. DOI: https://doi.org/10.51901/jiifkom.v1i2.229
Fariadi dan M. R. R. Islami, “Deteksi Dini Serangan Pada Website Menggunakan Metode Anomali Based,” Jurnal Informatika dan Komputer, vol. 5, no. 3, pp. 224–229, 2022. doi: 10.33387/jiko. DOI: https://doi.org/10.33387/jiko.v5i3.5352
Y. Fu, “Computer Network Intrusion Anomaly Detection with Recurrent Neural Network,” Mobile Information Systems, vol. 2022, Art. no. 6576023. DOI: https://doi.org/10.1155/2022/6576023
S. Gautam et al., “A Composite Approach of Intrusion Detection Systems: Hybrid RNN and Correlation-Based Feature Optimization,” Electronics, vol. 11, no. 3529, p. 1, 2022. doi: 10.3390/electronics11213529. DOI: https://doi.org/10.3390/electronics11213529
H. Hindy et al., “Machine learning based IoT intrusion detection system: An MQTT case study (MQTT-IoT-IDS2020 Dataset),” in Advances in Intelligent Systems and Computing, 2020. DOI: https://doi.org/10.1007/978-3-030-64758-2_6
Isnawaty, L. I. Uzlah, dan R. A. Saputra, “Deteksi Serangan Siber Pada Jaringan Komputer Menggunakan Metode Random Forest,” Jurnal Mahasiswa Teknik Informatika, vol. 8, no. 3, p. 2787, 2024. doi: 10.36040/jati.v8i3.8891. DOI: https://doi.org/10.36040/jati.v8i3.8891
H. Kang et al., “IoT network intrusion dataset,” IEEE Dataport, Tech. Rep., 2020. doi: 10.21227/q70p-q449.
P. Krishnegowda et al., “Enhancing Intrusion Detection Systems with Recurrent Neural Networks,” International Journal of Innovative Research in Engineering, vol. 2024, pp. 209–216. doi: 10.59256/ijire.20240503026. DOI: https://doi.org/10.59256/ijire.20240503026
S. J. Kumaresan et al., “Investigating the Effectiveness of Recurrent Neural Networks for Network Anomaly Detection,” in 2024 International Conference on Intelligent and Innovative Technologies in Computing, Electrical and Electronics (IITCEE), pp. 1–10. doi: 10.1109/IITCEE59897.2024.10467790. DOI: https://doi.org/10.1109/IITCEE59897.2024.10467790
T. G. Laksana dan S. Mulyani, “Pengetahuan Dasar Identifikasi Dini Deteksi Serangan Kejahatan Siber Untuk Mencegah Pembobolan Data Perusahaan,” Jurnal Ilmiah Multidisiplin, vol. 3, no. 1, pp. 109–122, 2024. doi: 10.56127/jukim.v3i01.1143 DOI: https://doi.org/10.56127/jukim.v3i01.1143
Q. H. Mahmoud dan I. Ullah, “Design and Development of RNN-based Anomaly Detection Model for IoT Networks,” Journal of Big Data, vol. 10, no. 1, pp. 1–16, 2022. doi: 10.1186/s40537-021-00448-4 DOI: https://doi.org/10.1109/ACCESS.2022.3176317
N. Mamuriyah, S. E. Prasetyo, dan A. O. Sijabat, “Rancangan Sistem Keamanan Jaringan dari serangan DDoS Menggunakan Metode Pengujian Penetrasi,” Jurnal Teknologi Dan Sistem Informasi Bisnis, vol. 6, no. 1, pp. 162–167, 2024. DOI: https://doi.org/10.47233/jteksis.v6i1.1124
S. Pandey, “Advanced Abnormality Recognition in IoT Networks Using LSTM-RNNs for Dynamic Security Enhancement,” in IEEE Xplore, 2023, p. 35. doi: 10.1109/ICCSAI59793.2023.10420960. DOI: https://doi.org/10.1109/ICCSAI59793.2023.10420960
A. Parmisano, S. Garcia, dan M. J. Erquiaga, “IoT-23: A labeled dataset with malicious and benign IoT network traffic,” Stratos Lab, Czech Republic, Tech. Rep., 2020. doi: 10.5281/zenodo.4743746.
D. S. Prasetyo, K. Auliasari, dan M. R. P. Syalabi, “Klasifikasi Serangan Jaringan Menggunakan Metode K-Nearest Neighbour pada Data Riwayat Jaringan,” in Seminar Nasional Sinergitas Era Digital 5.0, ITN Malang, 9 Desember 2023. DOI: https://doi.org/10.36040/seniati.v7i1.7874
F. Sjafrina, N. A. Pratama, dan P. D. Arnesia, “Aplikasi Artificial Intelligence Untuk Mendeteksi Objek Berbasis Web Menggunakan Library Tensorflow Js, React Js Dan Coco Dataset,” Jurnal Sistem Informasi, vol. 9, no. 1, pp. 62–69, 2022. doi: 10.30656/jsii.v9i1.4243. DOI: https://doi.org/10.30656/jsii.v9i1.4243
I. Ullah dan Q. H. Mahmoud, “A scheme for generating a dataset for anomalous activity detection in IoT networks,” Advances in Artificial Intelligence, vol. 12109, pp. 508–520, 2020. doi: 10.1007/978-3-030-47358-7_52. DOI: https://doi.org/10.1007/978-3-030-47358-7_52
A. Wijaya dan T. Sutabri, “Mendesain Cyber Security Untuk Keamanan Website Menggunakan Web Aplication Firewall Pada Kantor BKPSDM Ogan Ilir,” Blantika: Multidisciplinary Journal, vol. 2, no. 4, p. 1, 2024. doi: 10.57096/blantika.v2i4.121. DOI: https://doi.org/10.57096/blantika.v2i4.121
E. A. Winanto, Kurniabudi, dan Sharipuddin, “Deteksi Serangan pada Jaringan Kompleks IoT menggunakan Recurrent Neural Network,” JURIKOM (Jurnal Riset Komputer), vol. 9, no. 6, pp. 1996–2002, 2022. doi: 10.30865/jurikom.v9i6.5298. DOI: https://doi.org/10.30865/jurikom.v9i6.5298
Downloads
Article History
Pages: 460-470
How to Cite
Issue
Section
License
Copyright (c) 2025 Rafly Yusuf, Sumarlin Sumarlin
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Penulis yang mempublikasikan naskahnya pada Blend Sains Jurnal Teknik menyetujui ketentuan berikut:
Hak cipta atas artikel apapun dalam Blend Sains Jurnal Teknik dipegang penuh oleh penulisnya di bawah lisensi Creative Commons Attribution-ShareAlike 4.0 International License. dengan beberapa ketentuan sebagai berikut:
"Penulis mengakui bahwa Blend Sains Jurnal Teknik berhak sebagai yang mempublikasikan pertama kali dengan lisensi Creative Commons Attribution-ShareAlike 4.0 International License / CC BY SA 4.0"
"Penulis dapat memasukan tulisan secara terpisah, mengatur distribusi non-ekskulif dari naskah yang telah terbit di jurnal ini ke dalam versi yang lain (misal: dikirim ke respository institusi penulis, publikasi ke dalam buku, dll), dengan mengakui bahwa naskah telah terbit pertama kali pada Blend Sains Jurnal Teknik."
"Pembaca diperbolehkan mengunduh, menggunakan, dan mengadopsi isi artikel selama mengutip artikel dengan menyebutkan judul, penulis, dan nama jurnal ini. Pengutipan tersebut dilakukan demi kemajuan ilmu pengetahuan dan kemanusiaan serta tidak boleh melanggar hukum yang berlaku."
