Rasyiqa Zhafira

Advanced Persistent Threat (APT) menghasilkan laporan Cyber Threat Intelligence (CTI) dalam bentuk teks tidak terstruktur yang sulit dianalisis secara efisien. Penelitian ini bertujuan mengekstraksi informasi terstruktur dari laporan CTI menggunakan pendekatan Named Entity Recognition (NER) dengan model Bidirectional Long Short-Term Memory–Conditional Random Field (BiLSTM-CRF). Dataset yang digunakan adalah CyberNER yang terdiri dari 6.311 kalimat dan 204.815 token. Tahapan penelitian meliputi data preprocessing, anotasi menggunakan skema IOE (Inside–Outside–End) dan BILOU (Beginning–Inside–Last–Outside–Unit), pembagian data, pelatihan, dan evaluasi model. Evaluasi dilakukan menggunakan accuracy, precision, recall, dan F1-score. Hasil menunjukkan bahwa model BiLSTM-CRF mampu mengidentifikasi entitas ancaman siber dengan baik. Skema BILOU memberikan performa lebih tinggi dengan accuracy 87,91%, precision 93,08%, recall 87,91%, dan F1-score 89,90%, dibandingkan IOE dengan accuracy 85,91%, precision 93,69%, recall 85,91%, dan F1-score 88,98%. Secara keseluruhan, pendekatan ini mampu mengubah teks CTI yang tidak terstruktur menjadi informasi terstruktur, sehingga mendukung analisis ancaman siber secara lebih efisien. Kata Kunci : Cyber Threat Intelligence, Advanced Persistent Threat, Named Entity Recognition, BiLSTM, CRF, IOE, BILOU.