<![CDATA[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]]>
Copyrights © 2026
