Penerapan Transformer Based Deep Learning Untuk Deteksi Dini Serangan Siber Pada Infrastruktur Kritis Berbasis IoT

Hera Fransiska; Amalyanda Azhari

doi:10.31004/riggs.v4i2.1118

Authors

Hera Fransiska STMIK Kalirejo Lampung
Amalyanda Azhari STMIK Kalirejo, Lampung

DOI:

https://doi.org/10.31004/riggs.v4i2.1118

Keywords:

IoT, Serangan Siber, Infrastruktur Kritis, Transformer, Deep Learning, Deteksi Dini

Abstract

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

Downloads

Download data is not yet available.

References

Afnan, S., Sadia, M., Iqbal, S., & Iqbal, A. (2023). LogShield: A Transformer-based APT Detection System Leveraging Self-Attention. ArXiv Preprint ArXiv:2311.05733. https://doi.org/10.48550/arXiv.2311.05733

Amanda, D. P., & Absharina, E. D. (2025). IMPLEMENTASI AI-POWERED INTRUSION DETECTION SYSTEMS UNTUK MENDETEKSI ANCAMAN KEAMANAN PADA BIG DATA. Simtek: Jurnal Sistem Informasi Dan Teknik Komputer, 10(1), 29–33. https://doi.org/10.51876/simtek.v10i1.1381

Bhaskara, W. W., & Sulaiman, M. A. (2024). ANALISIS PENGGUNAAN TEKNOLOGI MULTI-CONSTELLATION GNSS DALAM SISTEM NAVIGASI UDARA. Jurnal Manajemen Dirgantara, 17(1), 29–38.

Darmawan, R. W., Irawan, I., & Petriansyah, S. (2025). Analisis Adaptif Zero Trust Architecture (ZTA) Berbasis Machine Learning untuk Deteksi Intrusi pada Jaringan IoT dalam Infrastruktur Kritis. RIGGS: Journal of Artificial Intelligence and Digital Business, 3(4), 36–45. https://doi.org/10.31004/riggs.v3i4.460

Fauzi, A. F., Sukarno, P., & Wardana, A. A. (n.d.). Otentikasi pada Internet-of-Things berbasis MQTT Menggunakan One-Time-Password pada Kasus IoT Home Gateway.

Gunawan, T. S., Hayadi, B. H., Paramitha, C., & Sadikin, M. (2021). Iot Framework Current Trends and Recent Advances to Management Company in The PT. TNC Tren Saat ini dan Kemajuan Terbaru Framework IoT untuk Manajemen Perusahaan pada PT. TNC. Jurnal Manajemen, 1(2). https://doi.org/10.30700/jm.v1i2.1104

Hatta, I. H. R., Mokoginta, S. T. D., Munawar, Z., Suparman, A., & SE, M. (2024). Kecerdasan Buatan. Cendikia Mulia Mandiri.

Hutabarat, A. A. (2024). Pengaruh Dynamic Batch Size and Epoch pada Federated Learning untuk Klasifikasi Tumor Otak di Lingkungan Perangkat Heterogen.

Ismail, S. J. I., Rahardjo, B., Juhana, T., & Musashi, Y. (2024). MalSSL–Self-Supervised Learning for Accurate and Label-Efficient Malware Classification. IEEE Access. https://doi.org/10.1109/ACCESS.2024.3392251

Kamal, H., & Mashaly, M. (2024). Advanced Hybrid Transformer-CNN Deep Learning Model for Effective Intrusion Detection Systems with Class Imbalance Mitigation Using Resampling Techniques. Future Internet, 16(12), 481. https://doi.org/10.3390/fi16120481

Kheddar, H. (2025). Transformers and large language models for efficient intrusion detection systems: A comprehensive survey. Information Fusion.

Krayani, A., Barabino, G., Marcenaro, L., & Regazzoni, C. (2023). Integrated sensing and communication for joint gps spoofing and jamming detection in vehicular v2x networks. 2023 IEEE Wireless Communications and Networking Conference (WCNC), 1–7. https://doi.org/10.1109/WCNC55385.2023.10118852

Liu, J., Simsek, M., Nogueira, M., & Kantarci, B. (2023). Multidomain transformer-based deep learning for early detection of network intrusion. GLOBECOM 2023-2023 IEEE Global Communications Conference, 6056–6061.

Munawar, Z., & Putri, N. I. (2020). Keamanan IoT Dengan Deep Learning dan Teknologi Big Data. TEMATIK, 7(2), 161–185.

Nugroho, E. P., Havid, S. A., & Nursalman, M. (2025). Pemodelan Sistem Deteksi Intrusi pada Sistem Smart Home Pemantauan Konsumsi Energi Listrik Berbasis Machine Learning. METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi, 9(1), 42–49. https://doi.org/10.46880/jmika.Vol9No1.pp42-49

Prakoso, K. S. B., & Prasetio, B. H. (2025). Implementasi Speech Recognition berbasis Raspberry Pi 5 pada Ekosistem Smart-Home menggunakan Algoritma Gated Recurrent Unit (GRU). Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 9(3).

Putri, N. I. (2020). Deep Learning Dan Teknologi Big Data Untuk Keamanan IOT. COMPUTING| Jurnal Informatika, 7(1), 48–73. https://doi.org/10.55222/computing.v7i1.555

Ramalinda, D., & Raharja, A. R. (2024). Strategi Perlindungan Data Menggunakan Sistem Kriptografi Dalam Keamanan Informasi. Journal of International Multidisciplinary Research. https://doi.org/10.62504/jimr679

Safitri, Y., & Samodro, M. M. J. (2025). Strategi dan Efektivitas Deep Learning untuk Mitigasi Ancaman Keamanan Jaringan di Era IoT. Scientific: Journal of Computer Science and Informatics, 2(1), 15–22. https://doi.org/10.34304/scientific.v2i1.338

Shimillas, C., Malialis, K., Fokianos, K., & Polycarpou, M. M. (2025). Transformer-based Multivariate Time Series Anomaly Localization. ArXiv Preprint ArXiv:2501.08628. https://doi.org/10.48550/arXiv.2501.08628

Simanjuntak, R. P., & Sijabat, R. R. M. (2024). Meningkatkan Keamanan Siber dalam Lingkungan Internet of Things (IoT) dengan Menggunakan Sistem Deteksi Intrusi Berbasis Pembelajaran Mesin. Dike, 2(2), 62–68. https://doi.org/10.69688/dike.v2i2.106

Sudirwo, S., Hadi, A., Judijanto, L., Purwandari, N., Zain, N. N. E., Rambe, K. H., & Yusufi, A. (2025). Artificial Intelligence: Teori, Konsep, dan Implementasi di Berbagai Bidang. PT. Sonpedia Publishing Indonesia.

Sugiatna, A. (2023). Perencanaan dan Pengendalian Produksi Menggunakan Teknologi Informasi. TEMATIK, 10(2), 210–215.

Wijaya, M. R. (2025). Inovasi Model Intrusion Detection System (IDS) menggunakan Double Layer Gated Recurrent Unit (GRU) dengan Fitur Berbasis Fusion. Jurnal Ilmiah Edutic: Pendidikan Dan Informatika, 12(1), 10–21. https://doi.org/10.21107/edutic.v12i1.28822

Yoshanda, M. I., & Alamsyah, A. (2023). Penerapan Model Hibrida CNN-GRU-BiLSTM-PCA Untuk Meningkatkan Akurasi Deteksi Serangan Jaringan Pada Intrusion Detection System. Indonesian Journal of Mathematics and Natural Sciences, 46(2), 61–67. https://doi.org/10.15294/ijmns.v46i2.47250