Investigasi Forensik Serangan Siber Pada Autonomous Vehicle Menggunakan Metode Deep Learning

Abstract

Kendaraan otonom berkembang pesat sebagai solusi transportasi masa depan yang lebih aman dan efisien, namun rentan terhadap serangan siber yang membahayakan pengendara dan infrastruktur. Penelitian ini mengembangkan metode investigasi forensik serangan siber pada kendaraan otonom menggunakan deep learning. Metode yang digunakan mencakup pengumpulan data serangan, pre-processing, serta pelatihan model deep learning berbasis Transformer, RNN, dan LSTM. Evaluasi dilakukan dengan mengukur akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa LSTM memiliki performa terbaik dengan akurasi, presisi, recall, dan F1-score sebesar 1,0000, dibandingkan Transformer yang mencapai akurasi 0,316667 dan RNN dengan performa terendah. Temuan ini membuktikan bahwa LSTM lebih efektif dalam mendeteksi pola serangan siber pada kendaraan otonom. Penelitian ini berkontribusi pada keamanan siber dengan menyediakan pendekatan deep learning yang meningkatkan deteksi dan mitigasi serangan. Untuk penelitian selanjutnya, disarankan eksplorasi teknik hybrid deep learning serta pengujian dalam skenario serangan yang lebih kompleks guna meningkatkan keandalan sistem keamanan kendaraan otonom.