<![CDATA[Perkembangan pesat Internet of Things (IoT) mendorong transformasi digital pada infrastruktur kritis seperti energi, transportasi, dan layanan publik. Namun, integrasi IoT juga meningkatkan risiko serangan siber akibat banyaknya celah keamanan di perangkat dan jaringan yang saling terhubung. Deteksi dini serangan siber menjadi sangat penting untuk menjaga stabilitas dan keberlanjutan operasional infrastruktur tersebut. Penelitian ini mengevaluasi efektivitas arsitektur Transformer Based Deep Learning dalam mendeteksi serangan siber secara proaktif di lingkungan IoT. Metode yang digunakan adalah eksperimen komputasional dengan pendekatan kuantitatif, memanfaatkan dataset publik seperti CICIDS2018 dan IoT 23, serta data simulasi jaringan lokal yang merepresentasikan kondisi infrastruktur kritis. Data berupa rekaman lalu lintas jaringan diproses melalui pelabelan dan pemisahan set pelatihan dan pengujian. Evaluasi performa model dilakukan menggunakan metrik akurasi, presisi, recall, F1 score, dan false positive rate. Hasil menunjukkan bahwa model transformer memberikan kinerja terbaik dibandingkan model lain (CNN dan LSTM), dengan akurasi di atas 96% dan tingkat kesalahan deteksi yang rendah. Kesimpulannya, arsitektur transformer efektif dalam meningkatkan keandalan sistem deteksi dini serangan siber pada ekosistem IoT. Penelitian lanjutan disarankan mengintegrasikan model ini ke sistem edge computing dan menguji kinerjanya dalam skenario real time yang lebih kompleks]]>
Copyrights © 2025
