Portal Berita Ekonomi Jum'at, 14 Desember 2018

Perspektif Baru Bisnis & Ekonomi

  • icon facebook kecil
  • icon twitter kecil
  • icon feed kecil
  • icon youtube kecil
  • icon email kecil
Executive Brief
  • 14:20 WIB. Rupiah - Pukul 14.20, rupiah masih tertekan 0,49% di Rp14.570 per dolar AS. 
  • 14:02 WIB. Youtube - Youtube hapus 58 juta video spam.
  • 14:02 WIB. Grab - Grab yakin bakal jadi Decacorn pertama di Asia Tenggara.
  • 14:01 WIB. Fintech - Sejumlah situs fintech ilegal masih bisa diakses.
  • 14:01 WIB. Jepang - Cegah monopoli, Jepang akan perketat regulasi untuk Google cs.
  • 14:01 WIB. Renault - Renault pilih tak pecat Carlos Ghosn.
  • 13:34 WIB. Voucher - Baru dibuka, gerai Matahari di Gresik tawarkan promo voucher diskon Rp500.000.
  • 13:34 WIB. Matahari - Matahari resmi buka gerai baru di Gress Mall, Gresik. 
  • 11:33 WIB. IHSG - IHSG ditutup melemah 0,06% ke level 6.173,94 di jeda Jumat siang. 
  • 11:20 WIB. Fintech - Per Desember 2018, total ada 78 fintech yang terdaftar dan berizin di OJK.

Bagaimana Pola Serangan Siber di Era Industri 4.0?

Foto Berita Bagaimana Pola Serangan Siber di Era Industri 4.0?
Warta Ekonomi.co.id, Jakarta -

Memasuki era digitalisasi dan semakin mendekatnya era industri 4.0, penyerangan dunia siber pun kini berubah. Jika dahulu, peretas hanya ingin dikenal, kini mereka cenderung mencari keuntungan lewat penyerangan yang dilakukan. Hal tersebut diungkapkan langsung oleh Technical Consultant PT Prosperita ESET Indonesia, Yudhi Kukuh pada Rabu (7/11/2018) sore, di Jakarta.

Yudhi mengatakan, kini peningkatan serangan berada pada kualitasnya. Cara peretas dalam mencuri data pun kian beragam. Dengan demikian, kemungkinan kerugian dari serangan siber di era ini pun menjadi lebih besar.

“Contoh, pencurian data lewat router, kerugiannya besar. Secara kualitas, 1 serangan terhadap 1 router bisa menghasilkan banyak target, yakni semua perangkat yang terhubung ke router tersebut,” jelas Yudhi.

Menurut Yudhi, ada 2 tujuan dari sebuah penyerangan siber, yakni merusak dan mencuri data. Untuk saat ini, tujuan kedua lebih sering ia temukan dalam kasus penyerangan dunia maya. Sebagai konsultan teknik di sebuah perusahaan software keamanan, ia turut memantau pola, teknik, taktik, dan prosedur yang dilakukan dalam penyerangan siber.

“Kami memantau pola dan teknik peretas, sekarang bahkan mereka bisa menyerang lewat attachment ataupun tautan di email, kemudian ada pula vulnerability software. Kami mencoba mendeteksi semua bahaya tersebut dengan teknologi machine learning bernama Augur,” papar Yudhi.

Ia menambahkan, bila dahulu teknologi antimalware berfokus pada penanganan terhadap target, kini yang dikembangkan adalah sistem yang memanfaatkan machine learning. Jadi, penanganannya bersifat lebih luas, tak hanya pada virus A atau B saja.

“Augur mendeteksi pola, bukan target. Ia juga dilengkapi teknologi big data untuk menyimpan algoritme yang telah dipelajarinya, baik itu algoritme baik maupun buruk. Dari pelajaran yang ia terima, ia akan membuat kesimpulan yang dapat mendeteksi masalah keamanan siber dengan lebih cepat," tambah Yudhi.

Penggunaan machine learning dibutuhkan untuk mengatasi penyerangan siber yang semakin spesifik dalam menentukan target. Yudhi menambahkan, keamanan siber tak bisa hanya mengandalkan 1 sistem saja. Untuk memperkuat keamanan, dibutuhkan kemampuan lain dalam sistem sekuritas. Contohnya, ESET yang memanfaatkan 4 teknologi (human expertise, machine learning, sandboxes, reputation) pada setiap produknya.

“Kemanan siber itu ibarat rumah, diperlukan keamanan berlapis-lapis, seperti pagar dan pintu,” kata Yudhi.

Pihak ESET sendiri menghadirkan ESET Endpoint v7 yang memang dirancang untuk menghadapi tantangan siber di era industri 4.0, salah satunya adalah Targeted Attack. Dengan fiur tombol ani ransomware pada versi bisnis, perusahaan dapat memblokir serangannya hanya dengan 1 kali klik. Selain itu, ada pula teknologi machine learning Augur yang dapat mendeteksi masalah keamanan berdasarkan data yang telah diinput ke dalamnya. ESET Endpoint v7 juga dapat menampilkan asal virus yang dapat memudahkan proses troubleshoot oleh bagian IT perusahaan.

Kelemahan Machine Learning

Meskipun machine learning dinilai dapat menangani tantangan keamanan industri di era ini, terdapat beberapa kelemahan yang membuatnya harus didampingi teknologi lainnya dalam sebuah sistem keamanan.

Oleh karena itu, Yudhi mengatakan, sebuah software keamanan tak bisa hanya mengandalkan 1 teknologi, perlu keamanan yang berlapis.

Machine learning, kalau yang dipelajari tidak banyak ya hasilnya tidak akan bagus. Algoritme matematika juga tak bisa menyelesaikan semua masalah. Ia juga tak bisa mendeteksi masalah secara 100%, hanya 80%. Nah, 20%-nya harus ditambal dengan teknologi lainnya,” papar Yudhi lagi.

Maka dari itu, dalam menciptakan perangkat lunak keamanan, ESET selalu mengombinasikan beragam teknologi. Hal itu dilakukan untuk memperkuat layanan keamanan yang mereka tawarkan dalam satu produk.

Tag: Keamanan Siber

Penulis: Tanayastri Dini Isna

Editor: Kumairoh

Foto: Unsplash/Brooke Lark

Kurs Rupiah

Mata Uang Simbol Nilai Jual Beli
Arab Saudi Riyal SAR 1.00 3,909.74 3,869.89
British Pound GBP 1.00 18,754.69 18,562.19
China Yuan CNY 1.00 2,114.10 2,093.06
Dolar Amerika Serikat USD 1.00 14,667.00 14,521.00
Dolar Australia AUD 1.00 10,673.18 10,561.12
Dolar Hong Kong HKD 1.00 1,872.96 1,854.27
Dolar Singapura SGD 1.00 10,659.93 10,553.05
EURO Spot Rate EUR 1.00 16,630.91 16,462.46
Ringgit Malaysia MYR 1.00 3,501.31 3,462.33
Yen Jepang JPY 100.00 12,933.86 12,801.73

Ringkasan BEI

No Name Today Change Stock
1 Composite Index 6177.720 62.143 621
2 Agriculture 1516.070 10.982 20
3 Mining 1776.514 21.113 47
4 Basic Industry and Chemicals 846.848 12.353 71
5 Miscellanous Industry 1420.317 27.074 46
6 Consumer Goods 2515.883 16.594 49
7 Cons., Property & Real Estate 455.102 3.544 73
8 Infrastruc., Utility & Trans. 1062.130 21.053 71
9 Finance 1176.328 11.338 91
10 Trade & Service 791.531 -0.850 153
No Code Prev Close Change %
1 AKSI 344 430 86 25.00
2 SOTS 436 545 109 25.00
3 PNSE 750 935 185 24.67
4 ZONE 446 555 109 24.44
5 KICI 212 260 48 22.64
6 SAFE 171 206 35 20.47
7 JKSW 60 68 8 13.33
8 KAEF 2,550 2,850 300 11.76
9 TRAM 163 180 17 10.43
10 OASA 318 350 32 10.06
No Code Prev Close Change %
1 SQMI 555 418 -137 -24.68
2 INPP 605 480 -125 -20.66
3 GMTD 14,900 13,425 -1,475 -9.90
4 BTEK 137 125 -12 -8.76
5 SMDM 152 139 -13 -8.55
6 DSSA 14,725 13,500 -1,225 -8.32
7 BBLD 492 454 -38 -7.72
8 AKPI 780 720 -60 -7.69
9 ETWA 78 72 -6 -7.69
10 OCAP 244 226 -18 -7.38
No Code Prev Close Change %
1 SRIL 372 360 -12 -3.23
2 KPAS 710 705 -5 -0.70
3 RIMO 142 151 9 6.34
4 TLKM 3,650 3,750 100 2.74
5 TRAM 163 180 17 10.43
6 PGAS 2,130 2,150 20 0.94
7 PTBA 4,310 4,500 190 4.41
8 BBRI 3,620 3,680 60 1.66
9 CPIN 6,500 6,950 450 6.92
10 UNTR 29,300 29,300 0 0.00