Tinjauan Literatur: Integrasi Deep Learning Dan Algoritma Berbasis Isolasi Pada Deteksi Anomali Query SQL
DOI:
https://doi.org/10.52060/snkp.v4i1.4497Abstrak
Keamanan database SQL menghadapi ancaman siber yang semakin dinamis, seperti SQL Injection, penyalahgunaan hak akses, dan serangan zero-day yang sulit dideteksi menggunakan sistem berbasis tanda tangan (signature-based detection). Berbagai penelitian telah mengembangkan metode deteksi anomali berbasis Deep Learning dan algoritma berbasis isolasi untuk meningkatkan adaptivitas sistem keamanan database. Literature review ini bertujuan menganalisis perkembangan metode, efektivitas algoritma, serta tren integrasi Deep Learning dan algoritma berbasis isolasi dalam deteksi anomali query SQL. Metode yang digunakan adalah systematic literature review terhadap artikel terindeks periode 2022–2026 yang dianalisis berdasarkan metode, objek penelitian, serta keterbatasan pendekatan yang digunakan. Hasil tinjauan menunjukkan bahwa Isolation Forest unggul dalam efisiensi dan deteksi unsupervised, namun masih terbatas dalam menangkap pola query yang memiliki hubungan fitur non-linear. Sebaliknya, model Deep Learning seperti CNN dan LSTM mampu melakukan ekstraksi fitur sintaksis secara otomatis, meskipun membutuhkan sumber daya komputasi yang lebih besar. Tren penelitian menunjukkan adanya pergeseran menuju model hibrida yang menggabungkan kemampuan representasi fitur dan mekanisme isolasi data. Tinjauan ini menyimpulkan bahwa integrasi kedua pendekatan memiliki potensi dalam membangun sistem deteksi anomali query SQL yang lebih adaptif dan efisien
Referensi
Adeyinka Ayodeji Mustapha, Anayo Sylvester Udeh, Thomas Anafeh Ashi, Odunayo Sekinat Sobowale, Mayowa Jesse Akinwande, & Aminat Olaide Oteniara. (2024). Comprehensive review of machine learning models for sql injection detection in e-commerce. World Journal of Advanced Research and Reviews, 23(1), 451–465. doi:10.30574/wjarr.2024.23.1.2004
Carletti, M., Terzi, M., & Susto, G. A. (2023). Interpretable Anomaly Detection with DIFFI: Depth-based Isolation Forest Feature Importance. Retrieved from http://arxiv.org/abs/2007.11117
Casmiry, E. N., Sinde, R. S., & Mduma, N. M. (2026). A Hybrid Deep Learning Model for SQL Injection Attack Detection. IEEE Access, 14, 6450–6463. doi:10.1109/access.2026.3651991
Crespo-Martínez, I. S., Campazas-Vega, A., Guerrero-Higueras, Á. M., Riego-DelCastillo, V., Álvarez-Aparicio, C., & Fernández-Llamas, C. (2023). SQL injection attack detection in network flow data. Computers and Security, 127. doi:10.1016/j.cose.2023.103093
Dadiyala, C., Qureshi, F., Bhattad, K. A., Thakur, S., Sheikh, N. T. S., & Singh, K. A. K. (2025). Enhancing Security of Databases through Anomaly Detection in Structured Workloads. Journal of ICT Research and Applications, 18(3), 196–214. doi:10.5614/itbj.ict.res.appl.2025.18.3.2
Kakisim, A. G. (2024). A deep learning approach based on multi-view consensus for SQL injection detection. International Journal of Information Security, 23(2), 1541–1556. doi:10.1007/s10207-023-00791-y
Kitchenham, & Charters. (2007). Guidelines for performing Systematic Literature Reviews in Software Engineering.
Li, S., Yin, Q., Li, G., Li, Q., Liu, Z., & Zhu, J. (2022). Unsupervised Contextual Anomaly Detection for Database Systems. In Proceedings of the ACM SIGMOD International Conference on Management of Data (pp. 788–802). Association for Computing Machinery. doi:10.1145/3514221.3517861
Li, X. (2025). Optimizing neural networks for anomalous query detection in databases using the NSGA-II algorithm. Journal of Engineering and Applied Science, 72(1). doi:10.1186/s44147-025-00790-x
Lo, R. T., Hwang, W. J., & Tai, T. M. (2025). SQL Injection Detection Based on Lightweight Multi-Head Self-Attention. Applied Sciences (Switzerland), 15(2). doi:10.3390/app15020571
Lu, D., Fei, J., & Liu, L. (2023). A Semantic Learning-Based SQL Injection Attack Detection Technology. Electronics (Switzerland), 12(6). doi:10.3390/electronics12061344
Sun, H., Du, Y., & Li, Q. (2023). Deep Learning-Based Detection Technology for SQL Injection Research and Implementation. Applied Sciences (Switzerland), 13(16). doi:10.3390/app13169466
Xiang, H., Zhang, X., Hu, H., Qi, L., Dou, W., Dras, M., … Xu, X. (2023). OptIForest: Optimal Isolation Forest for Anomaly Detection. Retrieved from https://github.com/xiagll/OptIForest.
Xu, H., Pang, G., Wang, Y., & Wang, Y. (2023). Deep Isolation Forest for Anomaly Detection. doi:10.1109/TKDE.2023.3270293
Zhang, W., Li, Y., Li, X., Shao, M., Mi, Y., Zhang, H., & Zhi, G. (2022). Deep Neural Network-Based SQL Injection Detection Method. Security and Communication Networks, 2022. doi:10.1155/2022/4836289
| Keywords | : |
Kata Kunci:
Deep Learning, Isolation Forest, Query SQL, Deteksi Anomali, Tinjauan Literatur
|
| Galleys | : | |
| Diterbitkan | : |
2026-07-29
|
| Terbitan | : |
Hak Cipta (c) 2026 PROSIDING SEMINAR NASIONAL KEGURUAN DAN PENDIDIKAN (SNKP)
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
.png)