LITERATURE REVIEW: PENERAPAN MACHINE LEARNING UNTUK DETEKSI INTRUSI PADA KEAMANAN WEB UMKM

Abstrak

Keamanan web pada Usaha Mikro, Kecil, dan Menengah (UMKM) menjadi perhatian utama di tengah meningkatnya serangan siber di Indonesia yang mencapai 14,9 juta kasus pada tahun 2025. Dengan keterbatasan anggaran dan sumber daya manusia, UMKM membutuhkan solusi deteksi intrusi yang terjangkau dan efisien. Penerapan Machine Learning terbukti efektif mengenali pola serangan secara otomatis, namun kajian spesifik untuk konteks web UMKM masih sangat terbatas. Literature review ini bertujuan menganalisis tren, metode, dan tantangan penerapan Machine Learning untuk deteksi intrusi pada web UMKM. Metode yang digunakan adalah Systematic Literature Review dengan artikel dari database Scopus dan SINTA periode 2020–2026. Hasil review menunjukkan algoritma Random Forest, SVM, dan Decision Tree paling banyak digunakan, di mana Random Forest mencapai akurasi hingga 99,99%. Meskipun demikian, sebagian besar penelitian masih diuji pada dataset publik dan belum diimplementasikan langsung pada lingkungan web UMKM. Selain itu, jenis serangan yang diteliti masih terbatas pada Brute Force dan DDoS. Kebaruan penelitian ini terletak pada tawaran arah pengembangan deteksi intrusi yang berfokus pada karakteristik web UMKM, serta memberikan kontribusi praktis sebagai referensi strategi keamanan siber yang adaptif.