Publisher

UBUB

Journal Jurnal Teknologi Informasi dan Ilmu KomputerJurnal Teknologi Informasi dan Ilmu Komputer Abstract

Intrusion Detection System (IDS) merupakan komponen krusial dalam pertahanan jaringan modern, berfungsi mendeteksi dan merespons ancaman siber secara cepat dan akurat. Penelitian ini menawarkan kontribusi baru melalui perancangan lingkungan Markov Decision Process (MDP) yang lebih realistis, integrasi reward shaping adaptif, serta evaluasi komprehensif multi-algoritma Deep Reinforcement Learning (DRL) yaitu Proximal Policy Optimization (PPO), Deep Q-Network (DQN), Advantage Actor-Critic (A2C) dan perbandingannya dengan model supervised learning mutakhir . Dataset CICIDS2017 dan UNSW-NB15 digunakan sebagai sumber data lalu lintas jaringan, mencakup berbagai jenis serangan dan lalu lintas normal. Lingkungan pelatihan dirancang khusus untuk memungkinkan agen DRL belajar melalui interaksi langsung dengan data, dengan reward function yang memandu agen untuk meningkatkan akurasi deteksi dan meminimalkan kesalahan. Metodologi penelitian meliputi perancangan arsitektur model DRL, proses pelatihan selama 200.000 time steps, serta evaluasi kinerja model berdasarkan metrik akurasi, presisi, recall, dan F1-score. Hasil evaluasi menunjukkan DQN mencapai akurasi tertinggi pada pendekatan DRL (89–92%), namun secara keseluruhan model supervised learning seperti Random Forest dan CNN masih melampaui DRL dengan akurasi 98–99%. Temuan ini mengonfirmasi bahwa DRL memiliki potensi kuat dalam adaptasi dinamis, tetapi masih memerlukan optimasi lebih lanjut untuk menyaingi metode supervised pada klasifikasi statis. Penelitian ini juga menghadirkan blueprint integrasi IDS–DRL dengan SOC dan firewall adaptif, yang memberikan landasan implementatif pada sistem keamanan nyata. Penelitian ini berkontribusi pada pengembangan IDS adaptif yang mampu melakukan deteksi dan mitigasi secara real-time dengan tingkat akurasi tinggi. Keterbatasan penelitian mencakup kebutuhan komputasi yang tinggi dan potensi ketidakstabilan pelatihan, yang membuka peluang untuk penelitian lanjutan dengan optimasi arsitektur dan integrasi teknik transfer learning.

Conclusion

Penelitian ini berhasil mengembangkan dan mengevaluasi model IDS berbasis DRL (PPO, DQN, A2C) pada dataset CICIDS2017, dengan DQN menunjukkan performa terbaik dalam deteksi dan klasifikasi serangan multi-kelas.Meskipun menjanjikan, terdapat keterbatasan seperti penggunaan satu dataset, kebutuhan komputasi tinggi, dan belum terujinya model pada serangan zero-day atau perbandingan dengan supervised learning mutakhir.Untuk penelitian lanjutan, disarankan penggunaan dataset beragam, pengujian zero-day, optimasi arsitektur, serta integrasi transfer learning untuk adaptasi model yang lebih baik pada lalu lintas jaringan dinamis.

Future Research

Penelitian lanjutan dapat menjajaki beberapa arah baru untuk meningkatkan kecerdasan sistem deteksi intrusi. Pertama, bagaimana jika kita mengembangkan model DRL yang tidak hanya mendeteksi serangan, tetapi juga mampu secara adaptif mempelajari dan memilih strategi mitigasi terbaik yang paling sesuai dengan jenis serangan dan kondisi jaringan saat itu? Ini berarti DRL akan memutuskan apakah harus memblokir seluruh lalu lintas, membatasi akses, atau mengisolasi perangkat yang terinfeksi, dengan mempertimbangkan dampak terhadap kinerja jaringan secara keseluruhan. Pendekatan ini akan menjadikan sistem keamanan lebih cerdas dan responsif, jauh melampaui sekadar deteksi. Kedua, mengingat tantangan serangan siber yang terus berkembang, akan sangat menarik untuk meneliti bagaimana DRL dapat dilatih untuk mengenali dan bertahan dari serangan zero-day yang belum pernah terlihat sebelumnya, bahkan mungkin dengan menggunakan agen DRL generatif yang mampu mensimulasikan serangan baru untuk melatih sistem pertahanan. Dengan cara ini, sistem tidak hanya menunggu serangan terjadi, tetapi juga proaktif dalam memperkuat diri. Ketiga, untuk mengatasi kebutuhan komputasi yang tinggi, penelitian bisa berfokus pada optimasi DRL agar dapat berjalan efektif di perangkat dengan sumber daya terbatas, seperti di lingkungan IoT atau komputasi tepi, tanpa mengorbankan akurasi. Menyelidiki arsitektur DRL yang lebih ringan atau metode transfer learning yang efisien dapat menjadi kunci, sehingga teknologi canggih ini dapat diimplementasikan secara lebih luas dalam berbagai infrastruktur jaringan.

Metadata

File size	842.86 KB
Pages	14
DMCA	Report