Klaim Artikel Anda
Verifikasi kepemilikan artikel akademik
Apakah artikel-artikel ini milik Anda?
Daftarkan diri Anda sebagai author untuk mengklaim artikel dan dapatkan profil akademik terverifikasi dengan fitur lengkap.
Badge Verifikasi
Profil terverifikasi resmi
Statistik Lengkap
H-index, sitasi, dan metrik
Visibilitas Tinggi
Tampil di direktori author
Kelola Publikasi
Dashboard artikel terpadu
Langkah-langkah Klaim Artikel:
- 1. Daftar akun author dengan email akademik Anda
- 2. Verifikasi email dan lengkapi profil
- 3. Login dan buka menu "Klaim Artikel"
- 4. Cari dan klaim artikel Anda
- 5. Tunggu verifikasi dari admin (1-3 hari kerja)
Menampilkan 1–4 dari 4 artikel
Perbandingan Performa Pembelajaran Mesin untuk Deteksi Ancaman Keamanan Aplikasi Web: Tinjauan Sistematis
Divala Zahra Oktavia
; Dwi Alvin Hidayat
; Desy Natalia
; Satria Krisna Prabantara
; Arief Arfriandi
Vol 5
, No 1
(2026)
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...
Sumber Asli
Google Scholar
DOI
Perbandingan Performa Pembelajaran Mesin untuk Deteksi Ancaman Keamanan Aplikasi Web: Tinjauan Sistematis
Oktavia, Divala Zahra
; Hidayat , Dwi Alvin
; Natalia , Desy
; Prabantara, Satria Krisna
; Arfriandi, Arief
; Oktavia, Divala Zahra
; Hidayat , Dwi Alvin
; Natalia , Desy
; Prabantara, Satria Krisna
; Arfriandi, Arief
JUISI : Jurnal Ilmiah Sistem Informasi
Vol 5
, No 1
(2026)
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...
Sumber Asli
Google Scholar
DOI
Tinjauan Literatur Sistematis tentang Deteksi Anomali Berbasis Kecerdasan Buatan untuk Intrusi Jaringan pada IoT
Firmansyah, Mirza Putra
; Nashir, Muhammad Naufal
; Rahmeisi, Nazli
; Augusta, Putri Safira
; Arfriandi, Arief
; Firmansyah, Mirza Putra
; Nashir, Muhammad Naufal
; Rahmeisi, Nazli
; Augusta, Putri Safira
; Arfriandi, Arief
JUISI : Jurnal Ilmiah Sistem Informasi
Vol 5
, No 1
(2025)
Pertumbuhan eksponensial Internet of Things (IoT) menghasilkan tantangan keamanan jaringan yang signifikan, terutama intrusi jaringan, di mana metode deteksi tradisional gagal melawan serangan adaptif. Kajian ini menyajikan Systematic Literature Review (SLR) berpedoman PRISMA untuk memahami pemanfaatan Artificial Intelligence (AI) dalam deteksi anomali pada IoT. Tujuannya adalah mengidentifikasi algoritma AI yang dominan, mengevaluasi performa, dan menilai pertimbangan efisiensi energi dalam pen...
Sumber Asli
Google Scholar
DOI
Tinjauan Literatur : Pendekatan Machine Learning Dalam Deteksi Serangan Web
Rahmeisi, Nazli
; Gani, Eksa Umar
; Arfriandi, Arief
; Rahmeisi, Nazli
; Gani, Eksa
; Arfriandi, Arief
JUISI : Jurnal Ilmiah Sistem Informasi
Vol 4
, No 3
(2025)
The rapid growth of web technologies and online services has increased the exposure of web applications to cyber threats such as Cross-Site Scripting (XSS) and SQL Injection (SQLi). Conventional rule-based mechanisms, such as Web Application Firewalls (WAFs), often fail to detect emerging attack patterns. To address this, Machine Learning (ML) and Deep Learning (DL) have emerged as adaptive approaches for enhancing web attack detection. This study performs a Systematic Literature Review (SLR) fo...
Sumber Asli
Google Scholar
DOI