Perancangan Sistem Pendeteksi Anomali Jaringan Berbasis ChatGPT
DOI:
https://doi.org/10.71200/tkk6rq18Keywords:
Deteksi Anomali Jaringan, ChatGPT / Large Language Model (LMM), Keamanan SiberAbstract
Peningkatan aktivitas digital pasca-2020 telah memperluas permukaan serangan siber dan memperbesar risiko gangguan terhadap infrastruktur jaringan, terutama pada lingkungan institusional yang bergantung pada layanan cloud, IoT, serta sistem kerja jarak jauh. Kondisi ini membuat teknik deteksi anomali berbasis aturan tradisional semakin kurang efektif karena tidak mampu mengenali pola serangan baru yang bersifat dinamis dan kompleks. Artikel ini membahas perancangan sistem pendeteksi anomali jaringan berbasis ChatGPT sebagai representasi model kecerdasan buatan generasi baru yang mengintegrasikan kemampuan pemrosesan bahasa alami (NLP), pemahaman konteks, serta inferensi adaptif. Dalam pendekatan ini, ChatGPT digunakan untuk menganalisis log jaringan, mengidentifikasi pola aktivitas yang tidak biasa, dan memberikan interpretasi ancaman secara lebih komprehensif. Hasil rancangan menunjukkan bahwa pemanfaatan ChatGPT mampu meningkatkan akurasi deteksi serta mempercepat proses analisis dibandingkan metode rule-based. Selain itu, sistem juga dapat berfungsi sebagai alat pendukung keputusan bagi administrator jaringan melalui pemberian rekomendasi mitigasi yang bersifat kontekstual. Pendekatan ini membuka peluang pengembangan sistem keamanan jaringan yang lebih cerdas, responsif, dan adaptif terhadap ancaman siber modern.
Downloads
References
Ali, A., Choi, J., & Lee, S. (2022). Deep learning-based anomaly detection in modern network systems. IEEE Access, 10, 105229–105245.
Alcaraz, C., & Lopez, J. (2021). Cybersecurity challenges in distributed IoT systems. Future Generation Computer Systems, 115, 350–363.
Berman, D., Buczak, A., Chavis, J., & Corbett, C. (2020). A survey of deep learning methods for cybersecurity. IEEE Communications Surveys & Tutorials, 22(3), 1974–2006.
Bisson, J. (2023). Leveraging LLMs for intelligent log analysis and security automation. Journal of Cybersecurity & AI, 4(1), 44–59.
Choi, H., & Cho, S. (2021). Network anomaly detection using transformer-based models. Sensors, 21(18), 6150.
Fayyaz, M., & Ali, M. (2022). Machine learning-driven intrusion detection in cloud computing environments. Journal of Network Security, 18(2), 91–108.
Kumar, A., & Lim, S. (2023). AI-based intrusion detection systems for zero-day attacks. Computers & Security, 123, 103019.
OpenAI. (2023). GPT-4 Technical Report. arXiv:2303.08774.
Rahman, M., & Islam, R. (2021). Anomaly detection in IoT network traffic using hybrid AI models. IEEE IoT Journal, 8(13), 10589–10599.
Sharmeen, S., Hossain, M., & Zaman, F. (2022). Modern intrusion detection using deep neural networks. Security and Communication Networks, 2022, 1–13.
Sun, G., Zhang, Y., & Li, F. (2023). Large Language Models for cybersecurity threat detection. ACM Computing Surveys, 55(9), 1–32.
Zhang, C., & Wu, Q. (2021). Adaptive anomaly detection on high-speed networks using AI. Journal of Information Security and Applications, 58, 102744.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Shelvia Utary, Destiarini
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
