Kemajuan teknologi jaringan telah mendorong segalanya hingga ke batasnya, meningkatkan produktivitas di hampir semua sektor industri yang ada. Namun, manfaat tersebut juga membawa risiko. Dengan tingkat keterhubungan dunia yang sangat tinggi, serangan diam-diam terhadap jaringan mulai bermunculan, menyebabkan kebocoran informasi sensitif yang berujung pada hilangnya aset berharga. Untuk menangkal serangan-serangan ini, sebuah jaringan harus dilengkapi dengan berbagai lapisan perlindungan, salah satunya adalah Intrusion Detection System (IDS).
IDS melindungi jaringan secara pasif dengan membandingkan paket yang masuk dengan signature serangan yang telah diketahui, lalu memberikan peringatan kepada insinyur jaringan apabila terdapat anomali yang memasuki sistem. Sistem tradisional berbasis database berisi signature serangan telah terbukti efektif, namun dengan bentuk serangan yang terus berubah, dibutuhkan penerapan tambahan kecerdasan buatan (Artificial Intelligence / AI) untuk membantu mendeteksi serangan baru yang belum terdokumentasi.
IDS berbasis AI telah ada sejak lama, dengan berbagai penelitian yang mencakup metode Machine Learning (ML) hingga Deep Learning (DL). Namun, model DL yang lebih canggih seperti Convolutional Neural Network (CNN) yang mampu menangani dataset kompleks berskala besar memiliki kelemahan konseptual ketika digunakan untuk dataset berbentuk tabular, yang pada kenyataannya menjadi format umum hampir semua dataset intrusi. Selain itu, banyak penelitian mengabaikan konsep generalisasi antar lingkungan yang berbeda, padahal aspek ini tidak hanya penting tetapi juga krusial bagi solusi IDS yang dapat diterapkan secara luas.
Di sinilah TabNet hadir, sebuah arsitektur DL yang mampu mendukung dataset tabular secara native. Dalam penelitian ini, TabNet digunakan untuk membangun model yang dapat melakukan generalisasi pada dua jenis dataset: impact-based dataset dan lifecycle-based dataset. Dataset impact-based terdiri dari CIC-IDS-2017 dan CIC-IDS-2018, sedangkan dataset lifecycle-based terdiri dari CREMEv1 dan CREMEv2. Dengan melakukan pengujian silang di antara semua dataset, hasil yang diperoleh sangat mengesankan, dengan rentang kinerja F1-Score yang secara umum tinggi, yakni 82% hingga 99%, dibandingkan XGBoost yang memiliki rentang kinerja lebih bervariasi, yakni 22% hingga 99% pada skenario generalisasi binary maupun multiclass.