Evaluasi Kinerja Algoritma Deep Learning Untuk Deteksi Dini Serangan Siber Pada Jaringan Komputer

Abstract

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.