Perbandingan Performa Pembelajaran Mesin untuk Deteksi Ancaman Keamanan Aplikasi Web: Tinjauan Sistematis

Pemanfaatan aplikasi berbasis web yang semakin meluas di berbagai sektor menyebabkan meningkatnya risiko terhadap ancaman siber, termasuk serangan phising, DDoS, injeksi SQL, XSS, serta intrusi. Berbagai metode deteksi tradisional yang bersifat statis sering kali tidak mampu mengidentifikasi pola serangan baru yang bersifat dinamis. Untuk mengatasi keterbatasan tersebut, machine learning muncul sebagai pendekatan yang lebih adaptif karena mampu mempelajari pola perilaku, mendeteksi anomali, dan melakukan deteksi ancaman secara otomatis. Penelitian ini melakukan tijauan sistematis literatur (Systematic Literature Review/SLR) untuk meneliti penggunaan machine learning dalam mengingkatkan keamanan aplikasi web dan mengevaluasi performa beberapa algoritma yang digunakan. SLR dilaksanakan dengan menggunakan kerangka PICOC, yang mencakup populasi, intervensi, perbandingan, hasil, konteks. Hasil analisis menunjukkan bahwa machine learning digunakan untuk berbagai aspek keamanan web, seperti deteksi phising, penentuan URL berbahaya, pengurangan dampak serangan DDoS, serta identifikasi intrusi jaringan. Algoritma seperti Random Forest, XGBoost, dan SVM terbukti memiliki kinerja yang stabil dengan tingkat akurasi yang tinggi. Selain itu, teknik pendukung seperti ADASYN, feature selection, dan metode berbasis pemrosesan bahasa alami turut meningkatkan efektivitas model. Secara keseluruhan, hasil penelitian ini menegaskan bahwa machine learning dapat mempercepat dan meningkatkan ketepatan deteksi ancaman serta memberikan adaptasi terhadap pola serangan yang terus berubah, sehingga menjadi komponen penting dalam memperkuat keamanan aplikasi web.