Analisis Teknik Pemrosesan Data dan Pelatihan Model Terhadap Performa Model Hybrid LSTM-Autoencoder pada TON IoT Dataset

Azis Ilham Kurniawan

Abstrak

Industrial Internet of Things (IIoT) merupakan paradigma transformasional bagi industri modern karena memungkinkan sistem saling terhubung yang mendukung pertukaran data secara real-time serta otomatisasi proses. Namun, tingginya konektivitas ini juga meningkatkan eksposur terhadap berbagai ancaman siber, termasuk jenis anomali yang belum diketahui. Untuk mengatasi tantangan tersebut, penelitian ini mengusulkan pendekatan berbasis hybrid learning melalui optimasi model gabungan Bidirectional Long Short-Term Memory (Bi-LSTM) dan Autoencoder guna mendeteksi ancaman pada jaringan IIoT secara efisien. Model Bi-LSTM dengan mekanisme Multi-Head Attention dikembangkan untuk mengklasifikasi delapan jenis serangan yang telah diketahui, sedangkan LSTMAutoencoder dengan mekanisme Multi-Head Attention digunakan untuk mendeteksi anomali melalui analisis kesalahan rekonstruksi dari data time-series. Dataset yang digunakan adalah TON_IoT, yaitu dataset telemetri komprehensif yang merepresentasikan lingkungan IIoT secara realistis. Penelitian ini juga membandingkan pengaruh pemrosesan data berupa data mentah, feature engineering, dan seleksi fitur terhadap performa model. Hasil evaluasi menunjukkan bahwa model klasifikasi mencapai performa terbaik ketika dilatih menggunakan data hasil feature engineering dengan akurasi 99%, macro F1-score 0,99, recall 0,9992, dan ROC-AUC 0,9986, meskipun membutuhkan waktu tuning yang jauh lebih lama (811 menit). Dataset hasil seleksi fitur menghasilkan performa yang cukup kompetitif dengan waktu tuning lebih efisien (230 menit), sedangkan data mentah memberikan performa terendah dengan waktu tuning sekitar 270 menit. Pada sisi model anomaly detection menunjukkan performa terbaik ketika dilatih dengan dataset hasil seleksi fitur, ditandai dengan nilai MSE 0,0409, MAE 0,0910, serta ROC-AUC mencapai 0,9931 pada stress test dengan noise 0,2. Hasil ini membuktikan bahwa pemrosesan data seleksi fitur memberikan keseimbangan optimal antara akurasi deteksi dan efisiensi komputasi. Dengan demikian, penelitian ini menegaskan pentingnya teknik pemrosesan data serta strategi pelatihan model dalam meningkatkan performa sistem deteksi ancaman berbasis hybrid learning pada lingkungan IIoT, khususnya dalam menghadapi ancaman yang bersifat heterogen dan tidak seimbang.

© 2026 UPA Perpustakaan POLINEMAStatus LayananKebijakan PrivasiSyarat & Ketentuan

v2026.11.20.5 · 33e0fa7