Nabilla Hasbi

Laporan Advanced Persistent Threat (APT) pada Cyber Threat Intelligence (CTI) umumnya berupa teks tidak terstruktur sehingga sulit dianalisis secara manual dan memerlukan metode otomatis untuk mengekstraksi entitas penting. Penelitian ini bertujuan menganalisis kinerja Named Entity Recognition (NER) menggunakan model Bidirectional Long Short-Term Memory (BiLSTM) dengan membandingkan tagging scheme BIO dan BILOU dalam mengenali entitas pada laporan APT. Dataset yang digunakan adalah CyberNER yang terdiri dari 6.311 kalimat dan 204.815 kata dengan 18 kategori entitas STIX. Metode penelitian meliputi preprocessing data, penerapan BIO dan BILOU, pelatihan model BiLSTM, serta evaluasi menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa BILOU memiliki performa lebih optimal dibandingkan BIO dengan nilai accuracy 88.54%, precision 94.52%, recall 88.54%, dan F1-score 90.81%, serta lebih baik dalam mengidentifikasi batas entitas sehingga meningkatkan keseimbangan antara precision dan recall. Secara keseluruhan, pendekatan NER berbasis BiLSTM efektif dalam mengekstraksi informasi penting dari laporan APT. Pemilihan tagging scheme berpengaruh signifikan terhadap performa model, di mana BILOU lebih optimal dibandingkan BIO.