Skripsi
EKSTRAKSI INDICATOR OF COMPROMISE PADA CYBER THREAT INTELLIGENCE MENGGUNAKAN BILSTM-CRF DENGAN REPRESENTASI TF-IDF DAN GLOVE
Penelitian ini bertujuan untuk mengembangkan sistem ekstraksi Indicator of Compromise (IoC) dari teks Cyber Threat Intelligence (CTI) menggunakan pendekatan Named Entity Recognition (NER). Permasalahan utama dalam CTI adalah data yang bersifat semi-terstruktur sehingga menyulitkan identifikasi informasi penting secara manual. Metode yang digunakan adalah model BiLSTM-CRF dengan skema BIO untuk sequence labeling, serta membandingkan dua skenario representasi teks, yaitu TF-IDF dan GloVe. Dataset yang digunakan terdiri dari APTNER sebagai data trainning dan validation, serta ESET malware IoC sebagai data testing. Hasil penelitian menunjukkan bahwa model mampu mengekstraksi entitas IoC dengan baik, model dengan word embedding TF-IDF memperoleh nilai accuracy sebesar 94.72%, precision 97.01%, recall 97.45%, dan F1-score 97.23%, sedangkan model dengan word embedding GloVe memperoleh accuracy sebesar 95.34%, precision 97.03%, recall 98.00%, dan F1-score 97.51%, GloVe yang sedikit lebih unggul dibandingkan TF-IDF. Keunggulan GloVe dipengaruhi oleh kemampuannya dalam menangkap hubungan semantik antar kata, sementara TF-IDF masih mampu memberikan performa yang kompetitif karena karakteristik teks CTI yang memiliki pola entitas yang spesifik dan konsisten. Kontribusi penelitian ini terletak pada penerapan model BiLSTM-CRF untuk ekstraksi IoC pada data CTI serta analisis perbandingan dua metode representasi teks dalam domain keamanan siber. Hasil ekstraksi kemudian diimplementasikan dalam sistem pendukung analisis CTI untuk membantu proses identifikasi entitas IoC secara lebih efisien.
No other version available