Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Jurnal Ilmiah Sistem Informasi Jurnal Riset Informatika dan Teknologi Informasi (JRITI)
Prabantara, Satria Krisna
Unknown Affiliation
Computer Science & IT

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Penerapan Kecerdasan Buatan dalam Keamanan Siber pada Infrastruktur Kritis: Tinjauan Sistematis terhadap Ancaman, Solusi, dan Tantangan Athooyaa, Mufid; Prabantara, Satria Krisna; Hidayat, Dwi Alvin; Shaikh, Shaviraj Samad; Arfriandi, Arief
Jurnal Riset Informatika dan Teknologi Informasi Vol 3 No 2 (2025): Desember 2025 - Maret 2026
Publisher : Jejaring Penelitian dan Pengabdian Masyarakat (JPPM)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58776/jriti.v3i2.232

Abstract

Infrastruktur kritis seperti sistem energi, jaringan distribusi air, fasilitas kesehatan, dan sistem transportasi merupakan tulang punggung operasional masyarakat modern yang sangat bergantung pada teknologi digital dan sistem cyber-physical. Konvergensi teknologi informasi (IT) dan teknologi operasional (OT) dalam Industrial Control Systems (ICS) dan SCADA telah meningkatkan efisiensi operasional, namun secara bersamaan memperluas permukaan serangan yang dapat dieksploitasi oleh aktor jahat. Artikel ini menyajikan tinjauan sistematis terhadap 89 publikasi periode 2020-2025 untuk menganalisis perkembangan penerapan kecerdasan buatan (AI) dalam keamanan siber infrastruktur kritis. Hasil kajian mengidentifikasi enam kategori utama serangan siber, diantaranya serangan terhadap jaringan dan komunikasi industri, manipulasi data dan injeksi perintah, Advanced Persistent Threats (APT), malware dan ransomware, insider threats, serta ancaman terhadap sistem berbasis AI. Penelitian ini menunjukkan bahwa algoritma AI, termasuk deep learning (CNN, LSTM, Transformer), machine learning klasik (Random Forest, SVM), Generative Adversarial Networks (GAN), Reinforcement Learning, dan Federated Learning memberikan kontribusi signifikan dalam deteksi dini anomali, respons adaptif, dan pemulihan sistem dengan tingkat akurasi mencapai 96-99%. Namun, implementasi AI menghadapi tantangan berupa kompleksitas komputasi tinggi, keterbatasan dataset, kerentanan terhadap adversarial attacks, serta kebutuhan transparansi dan interpretabilitas. Artikel ini merekomendasikan pengembangan model hybrid yang efisien, integrasi explainable AI, penerapan federated learning lintas sektor, dan pembentukan kerangka kolaboratif untuk membangun sistem keamanan siber yang tangguh dan berkelanjutan.
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
Jurnal Ilmiah Sistem Informasi Vol. 5 No. 1 (2026): January: Jurnal Ilmiah Sistem Informasi
Publisher : LPPM Universitas Sains dan Teknologi Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51903/dhayjg79

Abstract

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 melakukan deteksi ancaman secara otomatis. Penelitian ini melakukan tijauan sistematis literatur (Systematic Literature Review/SLR) untuk meneliti penggunaan machine learning dalam mengingkatkan keamanan aplikasi web dan mengevaluasi performa beberapa algoritma yang digunakan. SLR dilaksanakan dengan menggunakan kerangka PICOC, yang mencakup populasi, intervensi, perbandingan, hasil, konteks. Hasil analisis menunjukkan bahwa machine learning digunakan untuk berbagai aspek keamanan web, seperti deteksi phising, penentuan URL berbahaya, pengurangan dampak serangan DDoS, serta identifikasi intrusi jaringan. Algoritma seperti Random Forest, XGBoost, dan SVM terbukti memiliki kinerja yang stabil dengan tingkat akurasi yang tinggi. Selain itu, teknik pendukung seperti ADASYN, feature selection, dan metode berbasis pemrosesan bahasa alami turut meningkatkan efektivitas model. Secara keseluruhan, hasil penelitian ini menegaskan bahwa machine learning dapat mempercepat dan meningkatkan ketepatan deteksi ancaman serta memberikan adaptasi terhadap pola serangan yang terus berubah, sehingga menjadi komponen penting dalam memperkuat keamanan aplikasi web.
Co-Authors Arfriandi, Arief Athooyaa, Mufid Hidayat , Dwi Alvin Hidayat, Dwi Alvin Natalia , Desy oktavia, Divala zahra Shaikh, Shaviraj Samad