Tasya Harwani Barus

Cyber Threat Intelligence (CTI) diperlukan untuk mendukung deteksi dan mitigasi ancaman siber, khususnya Advanced Persistent Threat (APT) yang umumnya disajikan dalam bentuk teks tidak terstruktur. Kondisi ini menyebabkan informasi penting sulit dimanfaatkan secara otomatis tanpa proses ekstraksi entitas. Penelitian ini bertujuan menganalisis kinerja Named Entity Recognition (NER) untuk ekstraksi entitas pada laporan APT dalam CTI serta mengkaji pengaruh tagging scheme IOB1 dan IOB2 terhadap performa model. Model yang digunakan adalah BiLSTM-CRF dengan dua tagging scheme yaitu IOB1 dan IOB2. Dataset yang digunakan adalah CyberNER yang terdiri dari 6.311 kalimat dan 204.815 kata. Evaluasi dilakukan menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil menunjukkan performa model yang tinggi dan konsisten. Pada tagging scheme IOB1 diperoleh accuracy 96,00% , precision 95,35%, recall 96,00%, dan F1-score 95,56%. Pada tagging scheme IOB2 diperoleh accuracy 96,02%, precision 95,35%, recall 96,02%, dan F1-score 95,55%. Perbedaan kinerja kedua tagging scheme tidak signifikan, namun IOB2 menunjukkan kestabilan penandaan batas entitas yang lebih konsisten pada beberapa kelas. Secara keseluruhan, hasil ini menunjukkan bahwa pendekatan NER menggunakan model BiLSTM-CRF efektif digunakan untuk ekstraksi entitas pada domain CTI.