Systematic Literatur Review Tentang Penerapan Artifical Inteligence Dalam Bidang Keamanan Siber
DOI:
https://doi.org/10.62712/juktisi.v5i1.1167Keywords:
Artificial Intelligence, Keamanan Siber, Machine Learning, Deep Learning, Systematic Literature ReviewAbstract
Perkembangan ancaman siber yang semakin kompleks menuntut pendekatan keamanan yang lebih adaptif dan cerdas. Penelitian ini bertujuan menganalisis perkembangan penerapan Artificial Intelligence (AI) dalam bidang keamanan siber melalui metode Systematic Literature Review (SLR). Sebanyak 30 artikel ilmiah dari rentang tahun 2020–2025 diseleksi menggunakan alur PRISMA dari 214 artikel yang ditemukan pada database Google Scholar, ScienceDirect, IEEE Xplore, Springer, Garuda, dan SINTA. Hasil analisis menunjukkan bahwa Machine Learning merupakan pendekatan yang paling dominan (70%), diikuti Deep Learning (60%), dengan Random Forest dan Support Vector Machine sebagai algoritma yang paling banyak digunakan. Tingkat akurasi sistem berbasis AI berkisar antara 95% hingga 99%, dengan model hybrid CNN-LSTM mencapai akurasi tertinggi 99,2–99,4%. Intrusion Detection menjadi topik paling banyak diteliti, diikuti deteksi malware dan keamanan IoT. Tantangan utama meliputi keterbatasan interpretabilitas model deep learning, kerentanan terhadap adversarial attack, keterbatasan dataset lokal, serta isu etika dan privasi data. Hasil penelitian ini diharapkan menjadi referensi bagi peneliti dan praktisi dalam mengembangkan sistem keamanan siber berbasis AI yang lebih adaptif dan efektif.
Downloads
References
[1] D. R. P. Jiwanta, “Peran Teknologi AI Machine Learning dalam Menangani Kompleksitas Ancaman Keamanan Siber di Era Digital,” Binary : Jurnal Teknologi Informasi dan Pendidikan, vol. 3, no. 1, pp. 1–50, Feb. 2026, doi: https://doi.org/10.30599/r92stv60.
[2] M. A. A. Djojosugito and M. Ardiansyah, “Keamanan Siber Menggunakan Kecerdasan Buatan: Tinjauan Pustaka,” RIGGS: Journal of Artificial Intelligence and Digital Business, vol. 4, no. 3, pp. 3835–3841, Aug. 2025, doi: 10.31004/riggs.v4i3.2549.
[3] M. Rosanti, Yusrodi, A. E. S, Bahterayudha, and T. Saragih, “Implementasi Sistem Keamanan Siber Berbasis Artificial Intelligence Untuk Mengatasi Serangan Phishing,” Aisyah Journal Of Informatics and Electrical Engineering, vol. 7, no. 1, pp. 94–98, Feb. 2025, doi: https://doi.org/10.30604/jti.v7i1.674.
[4] R. R. Widalala, A. N. Khairunissa, J. A. Dika, and A. A. Z. Wijanarko, “Dampak Penggunaan Artificial Intelligence Pada Keamanan Siber: Sebuah Kajian Terhadap Potensi Keuntungan Dan Ancaman,” Jurnal Pembelajaran dan Pengembangan Diri, vol. 4, no. 8, pp. 1541–1552, Nov. 2024, doi: 10.47353/bj.v4i8.458.
[5] E. Y. Fitria and K. Mutijarsa, “Survei Penelitian Metode Kecerdasan Buatan untuk Mendeteksi Ancaman Teknologi Serangan Siber,” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 10, no. 6, pp. 1185–1196, Dec. 2023, doi: 10.25126/jtiik.2023107341.
[6] Anastasya Zalsabilla Hermawan, M. Novianto Anggoro, Ditha Lozera, and Asif Faroqi, “Studi Literatur: Ancaman Serangan Siber Artificial Intelligence (Ai) Terhadap Keamanan Data Di Indonesia,” Prosiding Seminar Nasional Teknologi dan Sistem Informasi, vol. 3, no. 1, pp. 581–591, Nov. 2023, doi: 10.33005/sitasi.v3i1.363.
[7] Harry Pribadi Fitrian, Malik Nur Khaerudin, Muhammad Raufan Umarulloh, Rifa’i Ahmad, and Aldi Riyan Agustin, “Systematic Literature Review: Peran Artificial Intelligence dalam Meningkatkan Akurasi Deteksi SQL Injection pada Aplikasi Web,” Jurnal Komputer, Informasi dan Teknologi, vol. 6, no. 1, p. 10, Feb. 2026, doi: 10.53697/jkomitek.v6i1.3890.
[8] A. G. Pongoh, R. A. Fahreza, B. Al Kindi, F. S. Pribadi, and R. A. Aprilianto, “Systematic Literature Review (SLR): Dampak Pemanfaatan Artificial Intelligence untuk Meningkatkan Cyber Security,” Cyber Security dan Forensik Digital, vol. 7, no. 1, pp. 34–41, Nov. 2024, doi: 10.14421/csecurity.2024.7.1.4486.
[9] Rushendra, K. Ramli, and P. D. Purnamasari, “Stability-Aware Evaluation of a CNN–LSTM–DQN Intrusion Detection System for Zero-Day and Drifted Network Traffic,” IIUM Engineering Journal, vol. 27, no. 2, pp. 227–256, May 2026, doi: 10.31436/iiumej.v27i2.4240.
[10] Susanto, B. A. Dermawan, and Rasenda, “Detection of Reconnaissance Attacks Using a Hybrid CNN-LSTM on IoT Network,” Sistem Informasi dan Komputer), vol. 15, no. 1, pp. 47–54, Dec. 2025, doi: 10.32736/sisfokom.v15i1.2535.
[11] Z. Syahlan and S. Tinggi Teknologi Angkatan Laut, “Adaptive Defense Mechanisms: A Federated Learning Approach for Proactive Intrusion Detection in Heterogeneous IoT Networks,” Journal of Social Science Utilizing Technology, vol. 4, no. 2, pp. 117–129, 2026, doi: 10.70177/jssut.v4i2.3808.
[12] A. W. Ningrum, M. P. Aji, E. S. Wijaya, and E. A. Pambudi, “Deteksi dan Klasifikasi Ancaman pada Log Serangan Siber Menggunakan Algoritma K-Nearest Neighbor (KNN) dan Random Forest (RF),” Jurnal Pendidikan dan Teknologi Indonesia, vol. 5, no. 12, pp. 3610–3619, Jan. 2026, doi: 10.52436/1.jpti.1197.
[13] M. Fahri, “Penerapan Algoritma Random Forest untuk Deteksi Phishing pada Website,” JITSI : Jurnal Ilmiah Teknologi Sistem Informasi, vol. 6, no. 2, pp. 186–194, Jun. 2025, doi: 10.62527/jitsi.6.2.472.
[14] Khairul, Muhammad Azuan, T. Prabowo, Aradi Sebayang, and Tengku Didi Ferdillah, “Analisis Kinerja Deep Learning Berbasis Convolutional Neural Network (CNN) untuk deteksi Dini SQl Injection Studi Kasus: Datacenter Diskominfo Binjai,” Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI), vol. 5, no. 1, pp. 320–326, Apr. 2026, doi: 10.62712/juktisi.v5i1.964.
[15] R. Yusuf and S. Sumarlin, “Penerapan Deep Learning untuk Deteksi Anomali dalam Jaringan Keamanan Siber Menggunakan Recurrent Neural Networks (RNNs),” Blend Sains Jurnal Teknik, vol. 3, no. 4, pp. 460–470, May 2025, doi: 10.56211/blendsains.v3i4.800.
[16] R. Kartadie, A. Kusjani, Y. Kusnanto, and L. N. Harnaningrum, “Optimizing LSTM-CNN for Lightweight and Accurate DDoS Detection in SDN Environments,” Scientific Journal of Informatics, vol. 12, no. 2, pp. 295–310, Jun. 2025, doi: 10.15294/sji.v12i2.24531.
[17] A. S. Wicaksana and Robert Marco, “Pemodelan Intrusion Detection System Menggunakan CNN-LSTM dengan Selective SMOTE Untuk Deteksi Serangan Pada Data Tidak Seimbang,” JURIKOM (Jurnal Riset Komputer), vol. 13, no. 2, pp. 513–525, Apr. 2026, doi: 10.30865/jurikom.v13i2.9662.
[18] N. I. Putri, Z. Munawar, and M. Kom, “Deep Learning Dan Teknologi Big Data Untuk Keamanan Iot,” Jurnal Informatika, vol. 1, no. 7, pp. 48–73, Jun. 2020, doi: https://doi.org/10.55222/computing.v7i1.555.
[19] M. Sunjaya, “Analisis Komperatif Akurasi Deteksi Phising Pada Jaringan Komputer Dengan Metode Naïve Bayes Dan Support Vector Machine (SVM),” J-SISKO TECH (Jurnal Teknologi Sistem Informasi dan Sistem Komputer TGD), vol. 8, no. 2, pp. 245–252, Jul. 2025, doi: 10.53513/jsk.v8i2.11959.
[20] Christian Budhi Sabdana, Noriandini Dewi Salyasari, Izra Noor Zahara Aliya, and Ary Mazharuddin Shiddiqi, “Multi-task Temporal Deep Learning Model for Real Time Intrusion Detection System,” JUTI: Jurnal Ilmiah Teknologi Informasi, pp. 149–164, Jan. 2026, doi: 10.12962/j24068535.v24i1.a1446.
[21] F. Kuswandi, A. Rukmana, and Adiyanto, “KEAMANAN SIBER DALAM ERA INTERNET OF THINGS: TANTANGAN DAN SOLUSI TEKNOLOGI TERKINI,” Insan Pembangunan Sistem Informasi dan Komputer (IPSIKOM), vol. 13, no. 1, pp. 57–62, Jun. 2025, doi: 10.58217/ipsikom.v13i1.417.
[22] R. Nursiaga, N. Mulyana, and H. Sanjaya, “Model Jaringan Neural Untuk Deteksi Anomali Pada Sistem Keamanan (Siber): Rancangan, Implementasi, Dan Analisis,” Jurnal Rekayasa Komputer, vol. 1, no. 1, pp. 1–9, Dec. 2025, doi: 10.37932/jarekom.v1i1.905.
[23] A. Nurain, V. Satria M, and Navalino, “Enhancing Intrusion Detection System Performance With 1d-Cnn And Bi -Lstm Combination,” International Journal of Application on Sciences, Technology and Engineering, vol. 1, no. 3, pp. 921–930, Aug. 2023, doi: 10.24912/ijaste.v1.i3.921-930.
[24] Hafidzun Alim, “Optimasi Sistem Deteksi Intrusi Berbasis Deep Neural Network dengan Seleksi Fitur Adaptif pada Jaringan Komputer Modern,” JURNAL MULTIDISIPLIN ILMU AKADEMIK, vol. 3, no. 2, pp. 621–630, Apr. 2026, doi: 10.61722/jmia.v3i2.9425.
[25] Y. Perdana, “Comparative Analysis of Random Forest and XGBoost for Detecting Phishing Websites: A Machine Learning Approach,” Jurnal Kridatama Sains dan Teknologi, vol. 7, no. 02, pp. 906–921, Dec. 2025, doi: 10.53863/kst.v7i02.1933.
[26] A. Raihan, M. Fadhli, and L. Lindawati, “Implementation Of Deep Learning For Detecting Phishing Attacks On Websites With Combination Of Cnn And Lstm,” Jurnal Teknik Informatika (Jutif), vol. 5, no. 5, pp. 1451–1459, Oct. 2024, doi: 10.52436/1.jutif.2024.5.5.2446.
[27] A. Zulkarnain and S. Patmanthara, “An Integrative Conceptual Review of Federated Learning Ontology: Reconceptualizing the Global Model as Distributed Intelligence,” Journal of Information and Technology) Accredited Sinta, vol. 4, no. 13, pp. 375–395, Dec. 2025, doi: 10.32664/j-intech.v13i02.2153.
[28] H. F. S. Simbolon, P. Ade Linhar, R. S. Putra, and F. Izhari, “Analisis Komparasi Algoritma Random Forest Dan Support Vector Machine Untuk Deteksi Intrusi Jaringan,” JurnalTeknik Informatika, vol. 16, no. 2, pp. 74–87, Jan. 2025, doi: https://doi.org/10.29103/techsi.v16i2.25811.
[29] T. Tan, H. Sama, G. Wijaya, and O. E. Aboagye, “Studi Perbandingan Deteksi Intrusi Jaringan Menggunakan Machine Learning: (Metode SVM dan ANN) Comparative Study of Network Intrusion Detection Using Machine Learning: (SVM and ANN Method),” vol. 13, 2023, doi: 10.34010/jati.v13i2.
[30] R. T. Nugraha, D. Hidayat, and F. Mahardika, “Analisis Perbandingan Algoritma Random Forest, SVM, dan Neural Network untuk Klasifikasi Risiko Keamanan E-Learning,” Jurnal Teknologi dan Informasi, vol. 16, no. 1, pp. 1–10, Mar. 2026, doi: 10.34010/jati.v16i1.17191.
[31] R. Fauzan, A. V. Vitianingsih, D. Cahyono, A. L. Maukar, and Y. A. B. Suprio, “Penerapan Algoritma Klasifikasi pada Machine Learning untuk Deteksi Phishing,” MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 5, no. 2, pp. 531–540, Mar. 2025, doi: 10.57152/malcom.v5i2.1968.
[32] M. A. Fathurrahman and D. W. Prabowo, “Perbandingan Performa Algoritma Random Forest dan SVM Dalam Mendeteksi serangan DDoS di Jaringan Cloud,” Jurnal Riset Rekayasa Elektro, vol. 7, no. 2, pp. 193–202, Dec. 2025, doi: 10.30595/jrre.v7i2.27866.
[33] C. Mariano Benny Nara Sanjaya, Y. Suban Belutowe, and S. Juszandri Bulan, “Implementasi Intrusion Detection System (Ids) Berbasis Random Forest Untuk Deteksi Serangan Phishing Pada Jaringan Wi-Fi Publik,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 10, no. 2, pp. 3617–3622, Mar. 2026, doi: 10.36040/jati.v10i2.18239.
[34] A. Purnomo, A. Kurniasih, A. Nuarminah, and S. Hartati, “Peran Artificial Intelligence dalam Deteksi Dini Ancaman Keamanan Jaringan,” Jurnal Minfo Polgan, vol. 13, no. 2, pp. 2044–2048, Dec. 2024, doi: 10.33395/jmp.v13i2.14356.
[35] Y. Risyani, S. Japit, C. Bombongan, T. Selamat, and Y. Yuliana, “Sistem Keamanan Siber Adaptif Berbasis AI: Analisis Kinerja, Arsitektur, dan Penerapannya pada Organisasi Modern,” Jurnal Minfo Polgan, vol. 14, no. 2, pp. 2999–3006, Nov. 2025, doi: 10.33395/jmp.v14i2.15630.
[36] D. Hidayat, “Analisis Sistem E-Learning Berbasis ISO 27005:2018 Menggunakan Algoritma Klasifikasi Random Forest,” Jurnal Teknologi dan Informasi, vol. 15, no. 2, pp. 110–120, Sep. 2025, doi: 10.34010/jati.v15i2.16173.
[37] M. Rosanti, yusrodi, A. E. S, Bahterayudha, and T. Saragih, “Implementasi Sistem Keamanan Siber Berbasis Artificial Intelligence Untuk Mengatasi Serangan Phishing,” Aisyah Journal of Informatics and Electrical Engineering Universitas Aisyah Pringsewu, vol. 7, no. 1, pp. 94–98, Feb. 2025, doi: https://doi.org/10.30604/jti.v7i1.674.
[38] I. Elan Maulani, D. Rayhan Sunandar Putra, and K. Komarudin, “Sistem Deteksi Intrusi Cerdas: Studi Perbandingan Algoritma Pembelajaran Mesin Untuk Keamanan Siber,” Jurnal Sosial Teknologi, vol. 3, no. 11, pp. 918–923, Nov. 2023, doi: 10.59188/jurnalsostech.v3i11.987.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Deco ramadhana; Ahmad Sandy suroso, Muhammad Evan Ardiansah basuki
This work is licensed under a Creative Commons Attribution 4.0 International License.
