Deteksi Serangan Siber Menggunakan Algoritma Deep Reinforcement Learning Pada Sistem Keamanan Jaringan

Abstract

Serangan siber semakin berkembang dengan metode yang kompleks dan adaptif, menuntut sistem keamanan jaringan yang tidak hanya reaktif tetapi juga proaktif dan cerdas. Penelitian ini mengusulkan penggunaan algoritma Deep Reinforcement Learning (DRL), khususnya Deep Q-Network (DQN), untuk membangun sistem deteksi intrusi (Intrusion Detection System/IDS) yang mampu belajar dari lingkungan dan menyesuaikan strategi deteksinya terhadap ancaman baru. Sistem ini diuji menggunakan dataset CICIDS2017 untuk melatih agen DRL mengenali pola serangan serta mengambil tindakan deteksi optimal. Hasil evaluasi menunjukkan bahwa sistem DRL mampu mencapai akurasi deteksi sebesar 97,6% dan menurunkan tingkat false positive dibanding metode supervised learning tradisional. Integrasi DRL dalam sistem keamanan jaringan memberikan kemampuan adaptasi berkelanjutan dan pengambilan keputusan cerdas terhadap pola serangan yang terus berkembang, menjadikannya solusi potensial dalam ekosistem keamanan siber modern