Penerapan Deep Learning untuk Deteksi Anomali dalam Jaringan Keamanan Siber Menggunakan Recurrent Neural Networks (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.