Nita Nur'aini

Indicator of Compromise (IoC) merupakan artefak digital penting dalam Cyber Threat Intelligence (CTI), seperti IP address, domain, URL, hash file, dan nama malware, yang digunakan untuk membantu identifikasi aktivitas berbahaya. Ekstraksi IoC dari teks CTI masih menjadi tantangan karena data umumnya bersifat semi-terstruktur serta mengandung variasi istilah teknis yang kompleks. Penelitian ini bertujuan mengekstraksi entitas IoC dari teks menggunakan pendekatan Named Entity Recognition (NER) berbasis deep learning serta membandingkan kinerja embedding FastText dan Word2Vec pada arsitektur BiLSTM-CRF. Dataset yang digunakan terdiri dari dataset training dan validation yang berasal dari dataset APTNER, sedangkan data testing menggunakan dataset Malware IoC. Tahapan penelitian meliputi pengumpulan data, preprocessing, anotasi menggunakan skema BIO, pelatihan model BiLSTM-CRF, evaluasi performa model, serta pengembangan sistem. Hasil penelitian menunjukkan bahwa model BiLSTM-CRF dengan embedding FastText memberikan performa lebih baik dibandingkan Word2Vec dengan accuracy sebesar 93,39%, sedangkan Word2Vec memperoleh accuracy sebesar 91,46%. Analisis per entitas menunjukkan bahwa performa model tidak merata pada seluruh label, terutama pada entitas dengan jumlah data terbatas. Selain itu, model yang dihasilkan diimplementasikan dalam sistem berbasis web menggunakan Flask sebagai backend dan Next.js sebagai frontend untuk mendukung visualisasi serta pengujian ekstraksi IoC secara interaktif. Penelitian ini memberikan kontribusi berupa perbandingan embedding FastText dan Word2Vec pada tugas ekstraksi IoC berbasis BiLSTM-CRF serta menunjukkan bahwa FastText lebih efektif dalam merepresentasikan token IoC pada teks CTI semi-terstruktur.