<![CDATA[Sistem deteksi intrusi jaringan atau Network Intrusion Detection System (NIDS) berbasis pembelajaran mesin menjadi pilar utama keamanan siber modern. Namun, model berbasis data berlabel penuh sering kali terbatas dalam generalisasi dan rentan terhadap serangan adversarial. Pendekatan semi-supervised learning memanfaatkan data tak berlabel untuk memperluas cakupan pelatihan, sementara ensemble learning meningkatkan stabilitas melalui keragaman model. Penelitian ini melakukan Systematic Literature Review (SLR) untuk menganalisis tren, arah perkembangan, dan research gap pada kombinasi ensemble semi-supervised NIDS, dengan fokus utama pada robustness terhadap serangan adversarial. Proses review mengikuti pedoman PRISMA dengan sumber data dari IEEE Xplore, Scopus, SpringerLink, dan ScienceDirect untuk periode 2018–2025. Dari 96 artikel awal, 23 memenuhi kriteria inklusi. Hasil analisis menunjukkan sebagian besar penelitian menitikberatkan peningkatan akurasi (F1 > 95%), namun hanya 18% yang menguji ketahanan terhadap serangan adversarial secara eksplisit. Belum ditemukan studi yang mengintegrasikan ensemble multi-paradigma, semi-supervised learning, dan evaluasi adversarial attack secara terpadu. Kontribusi utama penelitian ini adalah penyusunan kerangka konseptual baru, Adversarial-Aware Hybrid Ensemble Framework, yang menempatkan proses adversarial design sebagai bagian integral dari pelatihan semi-supervised ensemble NIDS untuk meningkatkan keandalan sistem deteksi intrusi modern.]]>
Copyrights © 2026
