The Internet of Things (IoT) is now an important part of human daily life, especially in the fields of industry, transportation, and health. However, the complexity and security vulnerabilities of IoT networks have led to an increase in cyberattacks that threaten user privacy and security. Early detection of attacks that will be carried out on IoT networks can prevent crimes that threaten user privacy and security. In this study, a comparative literature review was conducted on several Machine Learning (ML) and Deep Learning (DL) methods used to classify IoT network attacks. The results of the literature review show that the Random Forest (RF) method has very good performance in classifying attacks on IoT networks. Internet of Things (IoT) sekarang menjadi bagian penting kehidupan sehari-hari manusia, terutama dalam bidang industri, transportasi, dan kesehatan. Namun, kompleksitas dan rentannya keamanan pada jaringan IoT menyebabkan peningkatan serangan siber yang mengancam privasi dan keamanan pengguna. Deteksi dini serangan yang akan dilakukan pada jaringan IoT dapat menghindarkan kejahatan yang mengancam privasi dan keamanan pengguna. Pada penelitian ini, dilakukan tinjauan literatur komparatif terhadap beberapa metode Machine Learning (ML) dan Deep Learning (DL) yang digunakan untuk mengklasifikasikan serangan jaringan IoT. Hasil tinjauan literatur menunjukkan bahwa metode Random Forest (RF) memiliki performa yang sangat baik dalam mengklasifikasikan serangan pada jaringan IoT.