<![CDATA[Meningkatnya kompleksitas lalu lintas jaringan dan heterogenitas lingkungan Internet of Things (IoT) menimbulkan tantangan serius bagi sistem deteksi intrusi (Intrusion Detection System/IDS) konvensional, khususnya dalam mendeteksi serangan baru dan lintas-domain. Meskipun pendekatan deep learning telah menunjukkan performa tinggi, sebagian besar penelitian masih terbatas pada satu dataset sehingga kemampuan generalisasi model menjadi rendah. Penelitian ini mengusulkan pendekatan hybrid Convolutional Neural Network–Long Short-Term Memory (CNN–LSTM) yang dilatih pada dataset lintas-domain melalui proses penyelarasan fitur antara CSE-CIC-IDS2018 dan ToN-IoT. Pra-pemrosesan meliputi normalisasi satuan waktu, rekayasa fitur turunan, penanganan missing value, encoding atribut, serta Min–Max scaling untuk menghasilkan dataset yang homogen. Kinerja model CNN, LSTM, dan CNN–LSTM dievaluasi menggunakan metrik accuracy, precision, recall, dan F1-score dengan variasi learning rate 0.01, 0.001, dan 0.0001. Hasil eksperimen menunjukkan bahwa model CNN–LSTM dengan learning rate 0.001 memberikan performa terbaik dengan akurasi 99,3%, recall 99,8%, dan F1-score 99,4%, serta stabilitas pelatihan yang lebih baik dibandingkan model tunggal. Temuan ini menunjukkan bahwa integrasi dataset heterogen dan arsitektur hybrid CNN–LSTM mampu meningkatkan efektivitas dan generalisasi IDS pada lingkungan jaringan yang beragam.]]>
Copyrights © 2026
