Jurnal Ipsikom Vol 13 no.
1 Juni 2025
e-ISSN : 2686-6382
KEAMANAN SIBER DALAM ERA INTERNET OF THINGS: TANTANGAN DAN
SOLUSI TEKNOLOGI TERKINI
Ferdi Kuswandi 1*.
Andi Rukmana 2.
Adiyanto 3 Dosen Tetap.
Universitas Insan Pembangunan Indonesia Jl.
Raya Serang KM.
10 Bitung-Tangerang ferdikuswandi@gmail.
com1 , rukmana.
andy@gmail.
com2 , adiet031170@gmail.
ABSTRAK
The rapid expansion of the Internet of Things (IoT) has transformed industries but also heightened cybersecurity vulnerabilities.
Cyber threats, including ransomware, data breaches, and distributed denial-of-service (DDoS) attacks, increasingly jeopardize critical infrastructure.
Traditional security methods, such as encryption and firewalls, often fail to counter evolving AI-driven threats.
This study introduces an AI-based security model that integrates deep learning and federated learning for real-time IoT threat detection and mitigation.
The proposed system employs a hybrid CNN-LSTM architecture to analyze network traffic, while federated learning enhances detection accuracy and ensures data privacy.
Experimental results demonstrate 92% detection accuracy, 4.
false positive rate, and latency under 50 ms, outperforming conventional rule-based systems.
Additionally, integrating AI with IoT protocols like MQTT and CoAP optimizes processing for lowpower devices.
The study highlights regulatory challenges, as 73% of industrial organizations lack AI-driven security policies.
The proposed framework aligns with NIST SP 800-82 and GDPR, ensuring scalable and adaptive industrial cybersecurity solutions.
These findings contribute to developing AI-driven security strategies, providing a foundation for enhancing IoT resilience against evolving cyber threats.
Keywords: IoT Security.
Cyber Threats.
AI.
Federated Learning.
Deep Learning.
PENDAHULUAN
Internet of Things (IoT) telah merevolusi berbagai sektor industri dengan memungkinkan otomatisasi dan konektivitas yang lebih luas.
Namun, peningkatan jumlah perangkat IoT yang terhubung juga menciptakan tantangan keamanan yang signifikan.
Menurut penelitian terbaru, sekitar 68% sistem IoT industri masih menggunakan metode deteksi berbasis aturan yang kurang efektif dalam menghadapi serangan yang berkembang dinamis (AlMhiqani et al.
, 2.
Serangan siber terhadap IoT dapat menyebabkan dampak besar, mulai dari pencurian data hingga sabotase infrastruktur Serangan DDoS yang memanfaatkan meningkat secara eksponensial dalam beberapa tahun terakhir (Zhang et al.
, 2.
Meskipun firewall dan enkripsi telah digunakan secara luas, pendekatan konvensional ini tidak cukup untuk menghadapi ancaman berbasis AI yang semakin adaptif (Conti et al.
, 2.
Dengan kemajuan kecerdasan buatan, model berbasis deep learning dan federated learning telah muncul sebagai solusi potensial untuk mendeteksi serangan siber secara real-time.
Studi menunjukkan bahwa model AI berbasis deep neural networks (DNN) dapat meningkatkan akurasi deteksi ancaman hingga 40% dibandingkan metode konvensional (Gupta & Kumar, 2.
Namun, implementasi AI untuk keamanan IoT keterbatasan sumber komputasi, latensi tinggi, dan kompatibilitas dengan berbagai protokol komunikasi IoT (Sharma et al.
, 2.
Penelitian ini bertujuan untuk mengembangkan model keamanan IoT berbasis AI yang mampu mendeteksi serangan multi-vektor secara efisien, mengintegrasikan mekanisme mitigasi berbasis analisis perilaku.
METODOLOGI PENELITIAN
Penelitian pendekatan eksperimental dengan beberapa tahap utama untuk merancang, menguji, dan Jurnal Ipsikom Vol 13 no.
1 Juni 2025 e-ISSN : 2686-6382 mengevaluasi model keamanan siber berbasis kecerdasan buatan (AI) pada jaringan IoT.
Metodologi ini terdiri dari empat fase utama:
pengumpulan data, pengembangan model AI, implementasi & pengujian, serta analisis & Setiap tahapan dirancang untuk memastikan evaluasi sistematis terhadap efektivitas model dalam mendeteksi dan menangani ancaman siber pada ekosistem IoT.
Pengumpulan Data Tahap pertama melibatkan pengumpulan dataset terkait keamanan siber IoT dari repositori sumber terbuka serta pembuatan simulasi serangan multi-vektor dalam lingkungan digital twin.
Dataset ini mencakup log lalu lintas jaringan, sampel deteksi anomali, dan pola serangan yang sering ditemukan dalam infrastruktur IoT.
Untuk generalisasi model, dilakukan prapemrosesan data menggunakan teknik seperti normalisasi, seleksi fitur, dan reduksi noise.
Pengembangan Model AI Pada tahap ini, dikembangkan kerangka kerja pembelajaran mendalam .
eep Convolutional Neural Networks (CNN) dan Long Short-Term Memory (LSTM).
CNN
digunakan untuk mengekstrak fitur spasial dari data lalu lintas jaringan, sementara LSTM temporal dalam pola serangan.
Selain itu, federated learning diterapkan untuk memungkinkan pelatihan model secara terdesentralisasi di berbagai node IoT, menjaga privasi data, dan meningkatkan Model ini dilatih menggunakan dataset berlabel dengan penerapan teknik optimasi seperti dropout regularization dan penyesuaian learning rate adaptif.
Implementasi & Pengujian Model AI yang telah dilatih kemudian diterapkan dalam lingkungan komputasi .
dge memungkinkan deteksi anomali secara real-time dengan beban komputasi yang Sistem ini diintegrasikan dengan protokol komunikasi IoT seperti MQTT CoAP kompatibilitasnya dengan perangkat IoT berdaya rendah.
Beberapa metrik kinerja yang diukur dalam tahap ini meliputi akurasi deteksi, tingkat false positive, latensi respons, dan skalabilitas sistem.
Untuk menguji ketahanan model, dilakukan simulasi serangan dunia nyata seperti DDoS, botnet intrusion, dan upaya bypass autentikasi.
Analisis & Evaluasi Tahap terakhir berfokus pada evaluasi membandingkannya dengan mekanisme keamanan berbasis aturan yang Analisis dilakukan untuk menilai peningkatan akurasi deteksi, penurunan false positive, serta efisiensi dalam waktu respons sistem.
Selain itu, model ini terhadap standar keamanan industri seperti NIST SP 800-82 dan GDPR.
Pengujian skalabilitas juga dilakukan dengan menerapkan model pada infrastruktur IoT dengan jumlah node lingkungan berskala besar.
Gambar 1.
Proses Pengembangan dan Implementasi Keamanan Siber IoT
HASIL DAN PEMBAHASAN
Hasil implementasi model AI yang diusulkan untuk meningkatkan keamanan IoT serta membandingkannya dengan Jurnal Ipsikom Vol 13 no.
1 Juni 2025 e-ISSN : 2686-6382 pendekatan keamanan konvensional.
Analisis dilakukan berdasarkan beberapa aspek utama, seperti akurasi deteksi, tingkat false positive, kecepatan respons, dan skalabilitas sistem.
Selain itu, penelitian ini mengevaluasi integrasi AI dengan protokol komunikasi IoT serta efektivitas model dalam mengatasi serangan multi-vektor.
Evaluasi Kinerja Model AI dalam Deteksi Ancaman IoT Pengujian menggunakan dataset serangan IoT yang mencakup berbagai jenis ancaman, termasuk DDoS, botnet, dan pencurian Hasil eksperimen menunjukkan bahwa pendekatan berbasis deep learning yang dikombinasikan dengan federated learning mampu meningkatkan akurasi deteksi ancaman menjadi 92%, jauh lebih tinggi dibandingkan metode berbasis aturan yang hanya mencapai 68% (Al-Mhiqani et , 2.
Selain itu, penerapan CNN-LSTM memungkinkan model untuk mengenali pola serangan yang lebih kompleks dengan tingkat false positive yang lebih rendah, turun dari 15% menjadi 4,2%.
Dengan tingkat false positive yang lebih kecil, sistem keamanan dapat lebih efisien dalam membedakan serangan nyata dari aktivitas jaringan yang sah, sehingga mengurangi beban kerja tim keamanan siber.
Integrasi AI dengan Infrastruktur IoT Agar model AI dapat diterapkan secara luas dalam ekosistem IoT, dilakukan pengujian terhadap kompatibilitasnya dengan protokol komunikasi IoT seperti MQTT dan CoAP.
Hasil uji coba menunjukkan bahwa pendekatan ini dapat berjalan dengan latensi di bawah 50 milidetik, yang lebih cepat dibandingkan firewall konvensional yang meningkatkan waktu pemrosesan hingga 300% pada perangkat IoT berdaya rendah (Zhou et al.
Penggunaan teknik optimasi seperti pemangkasan jaringan saraf dan kompresi tensor membantu mengurangi kebutuhan memungkinkan implementasi model ini pada perangkat dengan sumber daya terbatas, seperti ESP32 dan Raspberry Pi.
Efektivitas Model dalam Mitigasi Serangan Multi-Vektor Sistem diuji dalam simulasi serangan multi-layer yang melibatkan tiga level ancaman:
Serangan pada Lapisan Fisik :
Penyadapan komunikasi antar perangkat IoT.
Serangan pada Lapisan Jaringan :
DDoS mengganggu koneksi.
Serangan pada Lapisan Aplikasi :
Eksploitasi celah keamanan dalam API dan perangkat lunak.
Pengujian menggunakan digital twin menunjukkan bahwa model yang ancaman dalam waktu 2,3 detik, dibandingkan metode berbasis aturan yang membutuhkan lebih dari 5 detik untuk merespons insiden keamanan serupa (Wang et al.
, 2.
Selain itu, federated learning membantu meningkatkan adaptasi model terhadap ancaman zero-day dengan mendistribusikan pembelajaran antar perangkat IoT tanpa perlu mengunggah data sensitif ke server keamanan dan privasi data.
Analisis Kebijakan Keamanan AI dalam IoT Dari perspektif regulasi, penelitian ini mengungkap bahwa 73% organisasi industri belum memiliki kebijakan keamanan AI yang komprehensif untuk IoT (Zhang et al.
, 2.
Oleh karena itu, pendekatan yang diusulkan dalam penelitian ini mengacu pada standar NIST SP 800-82 dan GDPR, dengan otomatis untuk memastikan sistem keamanan tetap sesuai dengan regulasi Implementasi awal dalam sektor industri energi menunjukkan bahwa penggunaan buku panduan respons AI otomatis dapat mengurangi biaya insiden siber hingga 40%, dengan efisiensi pemulihan sistem yang lebih cepat dibandingkan dengan metode Jurnal Ipsikom Vol 13 no.
1 Juni 2025 e-ISSN : 2686-6382 manual yang masih banyak digunakan saat Perbandingan Metode Konvensional Untuk mengukur efektivitas model AI yang diusulkan, dilakukan perbandingan dengan pendekatan keamanan berbasis aturan yang konvensional.
Hasilnya disajikan dalam Tabel 1 di bawah ini.
KESIMPULAN
Penelitian pendekatan keamanan berbasis kecerdasan buatan (AI) yang dirancang untuk meningkatkan efektivitas deteksi dan mitigasi serangan siber dalam ekosistem Internet of Things (IoT).
Dengan menggabungkan Convolutional Neural Networks (CNN) dan Long Short-Term Memory (LSTM), serta menerapkan federated learning, model ini berhasil meningkatkan ketahanan infrastruktur IoT terhadap ancaman siber yang semakin Hasil eksperimen menunjukkan Tabel 1.
Perbandingan Model AI dengan Metode Konvensional Hasil perbandingan ini menunjukkan menawarkan peningkatan yang signifikan dalam akurasi deteksi, waktu respons, dan adaptasi terhadap serangan yang lebih Selain itu, integrasi federated learning memungkinkan model untuk diterapkan dalam lingkungan IoT yang lebih luas tanpa membebani sumber daya Aspek Akurasi Deteksi Latensi Respons Implikasi Penelitian Berdasarkan hasil penelitian ini, terdapat beberapa kontribusi penting yang dapat diadopsi dalam industri:
Peningkatan Keamanan Infrastruktur IoT : Model AI yang dikembangkan mampu mendeteksi dan merespons serangan siber lebih cepat dan lebih Optimasi untuk Perangkat IoT Berdaya Rendah : Dengan pemangkasan model dan teknik federated learning, sistem keamanan ini dapat diintegrasikan Kepatuhan Regulasi Keamanan Ae Rekomendasi dalam penelitian ini membantu industri dalam keamanan yang lebih ketat, seperti NIST SP 800-82 dan GDPR.
Reduksi Biaya Operasional Penggunaan AI dalam mitigasi ancaman siber memungkinkan deteksi serangan secara otomatis, mengurangi kebutuhan intervensi manual yang memakan biaya tinggi.
Pendekatan Konvensional (Shen et al.
Zhou et al.
, 2.
89Ae95% .
ektor 120Ae300 ms Model AI Diusulkan .
O50 ms
Tingkat False Positive Skalabilitas Sistem
9,8Ae15% 4,2% Maksimum
100 node IoT
Kepatuhan Regulasi
ISO 27001
Hingga 500 node
IoT
eragam NIST SP
GDPR
Mitigasi
Serangan Metode Kompatibilitas Perangkat
Berdaya Rendah
Terbatas Efektivitas Serangan Zero-Day
Rendah
AI adaptif
(CNNLSTM
Federated Learnin.
Optimal Tinggi .
nalisis bahwa pendekatan yang diusulkan mampu meningkatkan akurasi deteksi hingga 92%, mengurangi false positive menjadi 4,2%, serta mempertahankan latensi respons di bawah 50 ms.
Dibandingkan dengan metode keamanan konvensional yang berbasis aturan, model ini terbukti lebih efisien dalam Jurnal Ipsikom Vol 13 no.
1 Juni 2025 e-ISSN : 2686-6382 mengidentifikasi pola serangan multi-vektor dan ancaman zero-day, yang sebelumnya sulit dideteksi oleh pendekatan tradisional.
Selain itu, integrasi AI dengan protokol komunikasi IoT, seperti MQTT dan CoAP, memungkinkan sistem keamanan ini diterapkan pada perangkat dengan keterbatasan daya IoT Teknik pemangkasan jaringan saraf dan kompresi tensor yang diterapkan dalam penelitian ini juga memungkinkan pengurangan kebutuhan sumber daya hingga 60%, sehingga model tetap dapat dijalankan tanpa mengorbankan performa perangkat IoT berdaya rendah.
Dari sisi mitigasi serangan, penelitian ini membuktikan bahwa model AI yang dikembangkan dapat merespons ancaman multi-layer dalam waktu 2,3 detik, jauh lebih cepat dibandingkan metode berbasis aturan yang membutuhkan lebih dari 5 detik.
Kemampuan ini sangat penting dalam konteks infrastruktur kritis, di mana setiap detik keterlambatan dalam deteksi dan respons dapat menyebabkan gangguan operasional yang Dari aspek kebijakan, penelitian ini mengidentifikasi bahwa sebagian besar organisasi industri belum memiliki kerangka kerja keamanan AI yang memadai.
Oleh karena itu, model yang diusulkan dikembangkan terhadap regulasi keamanan, seperti NIST SP 800-82 dan GDPR, guna memastikan penerapan teknologi AI dapat dilakukan secara aman dan sesuai dengan standar internasional.
the Internet of Things.
Ie Internet of Things Journal, 6.
, 8076-8094.
Gupta.
, & Kumar.
Deep learning applications for cybersecurity in IoT Journal of Information Security and Applications, 72, 103446.
Li.
Zhang.
, & Wang.
Data sovereignty and privacy protection in industrial IoT: A blockchain-based Ie Transactions on Industrial Informatics, 20.
, 1901-1910.
Patel.
, & Joshi.
Federated learning for IoT security: Enhancing privacypreserving intrusion detection systems.
Future Generation Computer Systems, 144, 87-101.
Rahman.
Zhao.
, & Liu.
Selfhealing mechanisms in AI-driven IoT security systems.
Sensors, 24.
, 1135.
Sharma.
Singh.
, & Verma.
Challenges and solutions in deploying AI for IoT security.
Ie Transactions on Network and Service Management, 20.
Shen.
Han.
, & Lee.
Federated learning for intrusion detection in IoT Ie Internet of Things Journal, 11.
, 345-360.
Sicari.
Rizzardi.
, & Coen-Porisini.
Security, privacy, and trust in IoT:
The road ahead.
Computer Networks, 170, 107091.
Singh.
Banerjee.
, & Mishra.
Edge computing and AI: Enhancing security for IoT environments.
Ie Communications Surveys & Tutorials, 24.
, 78-94.
Wang.
Li.
, & Chen.
AI-powered security solutions for industrial IoT:
Digital twin-based validation.
Computers & Security, 129, 103476.
Wu.
Zhou.
, & Zhang.
Multivector cyberattacks in IoT: A comprehensive review and defense Ie Transactions on Dependable and Secure Computing, 20.
, 312-328.
Zhang.
Liu.
, & Zhao.
Emerging security threats in IoT: A survey on attack taxonomy and countermeasures.
Future Internet, 13.
, 196.
Zhao.
Feng.
, & Wang.
Realtime anomaly detection in industrial IoT using federated learning.
Journal of Cybersecurity and Privacy, 5.
, 88-102.
Zhou.
Yang.
, & Xu.
Optimization techniques for deep learning in IoT security.
DAFTAR PUSTAKA