Kecerdasan Buatan untuk Klasifikasi Ancaman Siber Real-Time dan Deteksi Ancaman Baru: Tinjauan Terstruktur atas Metode, Dataset, Tantangan, dan Arah Penelitian

Adopsi cepat komputasi awan, Internet of Things (IoT), komunikasi generasi kelima (5G), dan edge computing telah memperluas permukaan serangan siber secara signifikan, memungkinkan ancaman yang lebih besar dalam skala, lebih cepat, dan lebih kompleks. Teknik deteksi tradisional—yang mengandalkan signature, aturan, dan analisis statistik—tetap efektif untuk serangan yang diketahui tetapi terbatas dalam mendeteksi eksploit zero-day, malware polimorfik, dan advanced persistent threat. Akibatnya, kecerdasan buatan (AI) semakin banyak diadopsi untuk analisis ancaman siber yang adaptif dan real-time. Tinjauan ini mengevaluasi evolusi metodologi berbasis AI untuk klasifikasi ancaman siber real-time dan deteksi ancaman baru, dengan mengambil dari lebih dari lima puluh studi peer-review yang diidentifikasi melalui pencarian terstruktur di basis data ilmiah terkemuka. Alih-alih memperlakukan studi secara terpisah, literatur disintesiskan berdasarkan tujuan deteksi, teknik komputasi, dataset, metrik evaluasi, lingkungan penerapan, dan batasan yang diakui. Tinjauan ini membandingkan metode deteksi konvensional dengan machine learning, deep learning, explainable AI (XAI), reinforcement learning, federated learning, graph neural network (GNN), large language model (LLM), dan generative AI. Tinjauan ini menekankan dataset keamanan siber yang sering digunakan dan praktik evaluasi, serta tantangan yang masih berlangsung terkait ketidakseimbangan kelas, manipulasi adversarial, overhead komputasi, interpretabilitas model, kekhawatiran privasi, dan validasi yang tidak memadai dalam skenario dunia nyata. Literatur yang ditinjau menunjukkan bahwa metodologi berbasis AI sering menunjukkan kemampuan deteksi yang lebih unggul untuk pola serangan yang rumit dan belum pernah terlihat dibandingkan metode tradisional; namun, perbandingan kinerja langsung menjadi rumit karena perbedaan dalam dataset, desain eksperimen, dan protokol evaluasi. Selain itu, sejumlah terbatas model yang diusulkan telah dievaluasi dalam keadaan operasional yang autentik. Mengingat observasi ini, tinjauan ini mengidentifikasi kesenjangan penelitian yang signifikan dan menguraikan jalur prospektif untuk mengembangkan sistem pertahanan siber berbasis AI yang dapat dijelaskan, sadar privasi, efisien secara komputasi, dan siap diterapkan.

Tinjauan ini mengikuti pendekatan terstruktur untuk menyintesiskan literatur tentang AI untuk klasifikasi ancaman siber real-time dan deteksi ancaman baru. Pencarian sistematis di basis data ilmiah terkemuka dilakukan, menghasilkan lebih dari lima puluh studi peer-review. Kriteria inklusi berfokus pada studi yang mengusulkan, mengevaluasi, atau meninjau metode berbasis AI untuk deteksi ancaman real-time, klasifikasi, atau identifikasi ancaman baru. Studi yang dipilih dianalisis dan dikategorikan berdasarkan beberapa dimensi: tujuan deteksi (misalnya, klasifikasi biner, klasifikasi multi-kelas, deteksi anomali), teknik komputasi (misalnya, machine learning, deep learning, XAI, reinforcement learning, federated learning, GNN, LLM, generative AI), dataset yang digunakan, metrik evaluasi (misalnya, akurasi, presisi, recall, $F_1$-score, tingkat false positive), lingkungan penerapan (misalnya, cloud, edge, IoT), dan batasan yang diakui. Sintesis terstruktur ini memungkinkan analisis komparatif kekuatan dan kelemahan berbagai pendekatan dan menyoroti kesenjangan dalam penelitian saat ini. Tinjauan ini juga memeriksa dataset yang umum digunakan di bidang ini, mencatat karakteristik dan batasannya, serta membahas praktik evaluasi, termasuk tantangan membandingkan hasil antar studi karena pengaturan eksperimen yang berbeda. Metodologi ini menekankan penilaian kritis terhadap state of the art, dengan tujuan memberikan gambaran komprehensif yang menginformasikan arah penelitian di masa depan.