Pembelajaran Mesin untuk Keamanan Siber: Tinjauan Literatur Sistematis

Abstrak

Kemajuan dalam pembelajaran mesin telah membuka peluang baru untuk meningkatkan keamanan siber di era digital. Artikel ini menyajikan tinjauan literatur sistematis mengenai penerapan pembelajaran mesin dalam mendeteksi, mencegah, dan merespons ancaman keamanan siber. Dengan mengacu pada penelitian terbaru, fokus utama adalah pada algoritme pembelajaran mesin yang digunakan dalam deteksi intrusi, analisis malware, pengenalan pola anomali, dan mitigasi serangan berbasis jaringan. Kajian ini juga mengeksplorasi tantangan utama yang dihadapi, seperti ketersediaan dataset yang relevan, kebutuhan akan sistem yang efisien secara komputasi, serta ancaman adversarial terhadap model pembelajaran mesin.

Hasil tinjauan menunjukkan bahwa model pembelajaran berbasis supervisi, tanpa supervisi, dan pembelajaran mendalam menawarkan solusi yang menjanjikan untuk mengatasi berbagai ancaman siber. Namun, efektivitas model ini sangat bergantung pada kualitas data, pemilihan fitur, serta kemampuan untuk beradaptasi dengan ancaman yang terus berkembang. Artikel ini memberikan wawasan mendalam bagi peneliti dan praktisi tentang perkembangan terkini, peluang, dan tantangan yang perlu diatasi untuk mengintegrasikan pembelajaran mesin secara efektif dalam ekosistem keamanan siber.

Dengan demikian, tinjauan ini tidak hanya memperluas pemahaman terhadap potensi pembelajaran mesin dalam keamanan siber, tetapi juga memetakan arah penelitian masa depan yang relevan.