<![CDATA[Efektivitas network intrusion detection system (NIDS) secara konsisten menurun ketika model yang telah dilatih di satu lingkungan harus beroperasi di jaringan dengan karakteristik berbeda. Fenomena domain shift ini menyebabkan hilangnya kemampuan generalisasi sehingga celah keamanan baru muncul. Penelitian ini memperkenalkan kerangka domain generalization berbasis mixture of multiple latent domains (MoMLD) untuk menghasilkan NIDS yang adaptif tanpa mengakses data dari domain target. Dalam MoMLD, data sumber terlebih dahulu dikelompokkan menggunakan algoritma K-Means untuk menghasilkan label domain semu yang merepresentasikan struktur laten, kemudian label tersebut diintegrasikan ke dalam skema pelatihan adversarial dengan Gradient Reversal Layer agar jaringan mempelajari representasi fitur yang invarian antar-domain. Eksperimen pada tiga benchmark NIDS (ToN-IoT, UNSW-NB15, CIC-IDS2018) menunjukkan peningkatan F1-Score pada domain target dari 0,3529 menjadi 0,6798 (+92,7%) dan penurunan kesenjangan performa hingga 99,9%. Bahkan ketika baseline sudah tinggi, kesenjangan tetap berhasil ditekan lebih dari 61%. Analisis ablatif menegaskan bahwa pemilihan jumlah klaster yang sesuai sangat menentukan keberhasilan, sekaligus bertindak sebagai regularisasi yang mencegah overfitting terhadap domain sumber. Dengan overhead komputasi moderat, kerangka ini memberikan solusi praktis dan skalabel bagi penyebaran NIDS pada infrastruktur jaringan yang dinamis.]]>
Copyrights © 2025
