Pertumbuhan cepat Internet of Things juga memperkenalkan risiko keamanan dan serangan, terutama untuk perangkat IoT komersial, yang sering menjadi target para penjahat cyber. Untuk mengatasi tantangan keamanan ini, kami mengusulkan model pembelajaran mendalam hibrida Convolutional Neural Network-Gated Recurrent Unit (CNN-GRU) untuk mendeteksi anomali pada sembilan perangkat IoT komersial. Model CNN-GRU ini memanfaatkan kekuatan dari CNN dan GRU. CNN terkenal dengan kemampuannya untuk mengekstrak fitur spasial dari data, membuatnya ideal untuk mengidentifikasi pola dalam data perangkat IoT. Di sisi lain, GRU sangat baik dalam menangkap karakteristik temporal, memungkinkan mereka untuk memahami urutan dan waktu dari titik data. Model ini dilatih dan dievaluasi menggunakan dataset N-BaIoT, kumpulan lalu lintas jaringan yang komprehensif dari sembilan perangkat IoT komersial yang berbeda. Model ini mencapai hasil F1-score yang luar biasa dalam membedakan lalu lintas serangan botnet Bashlite dan normal. Namun, untuk beberapa jenis serangan, model ini menghadapi tantangan. Kami juga membandingkan kinerja dengan model CNN-LSTM, pendekatan pembelajaran mendalam yang populer lainnya. Perbandingan ini didasarkan pada akurasi dan waktu pelatihan. Hasilnya menunjukkan bahwa CNN-GRU melampaui kinerja CNN-LSTM untuk sebagian besar model perangkat, mencapai akurasi tertinggi sebesar 85,04%. Yang patut dicatat, model ini juga mencapai waktu pelatihan yang lebih rendah pada semua perangkat, dengan perbedaan terbesar adalah 82,04 detik. Penelitian ini menyoroti efisiensi model pembelajaran mendalam hibrida seperti CNN-GRU dalam meningkatkan keamanan perangkat IoT komersial dengan efektif mendeteksi anomali.