Sistem Keamanan Siber Adaptif Berbasis AI: Analisis Kinerja, Arsitektur, dan Penerapannya pada Organisasi Modern

Yeni Risyani; Susi  Japit; Conrad  Bombongan; Tanda  Selamat; Yuliana Yuliana

doi:10.33395/jmp.v14i2.15630

Authors

Yeni Risyani Universitas IBBI
Susi Japit Universitas IBBI
Conrad Bombongan Universitas IBBI
Tanda Selamat Universitas IBBI
Yuliana Yuliana Universitas IBBI

DOI:

10.33395/jmp.v14i2.15630

Keywords:

Adaptif, Analisis Ancaman, Deteksi Anomali, Keamanan Siber, Kecerdasan Buatan, Sistem Keamanan

Abstract

Perkembangan teknologi digital telah meningkatkan kompleksitas ancaman siber sehingga menuntut organisasi untuk mengadopsi pendekatan keamanan yang lebih cerdas, adaptif, dan otomatis. Sistem keamanan tradisional berbasis signature terbukti tidak lagi memadai dalam menghadapi serangan zero-day, APT (Advanced Persistent Threat), serta taktik penyerang yang kini semakin dinamis. Teknologi kecerdasan buatan (Artificial Intelligence/AI) menjadi salah satu komponen utama dalam membangun sistem keamanan siber generasi berikutnya karena kemampuannya dalam menganalisis pola, memproses data volume besar, serta melakukan deteksi anomali secara real-time. Penelitian ini mengkaji arsitektur sistem keamanan siber adaptif berbasis AI, mengevaluasi kinerjanya berdasarkan metrik akurasi, recall, dan tingkat deteksi ancaman, serta menilai penerapannya pada organisasi modern. Metodologi penelitian mencakup studi literatur, analisis arsitektur teknis, dan evaluasi komparatif antara tiga pendekatan keamanan: signature-based, machine learning–based intrusion detection, dan sistem AI adaptif. Hasil analisis menunjukkan bahwa pendekatan AI adaptif memberikan peningkatan performa yang signifikan dengan akurasi deteksi mencapai 96%, recall 94%, dan tingkat deteksi ancaman sebesar 97%. Dengan kemampuan self-learning, sistem AI adaptif mampu secara otomatis menyesuaikan aturan deteksi serta merespons serangan baru tanpa intervensi manusia. Studi ini menekankan pentingnya integrasi pipeline data, model pembelajaran mesin, modul adaptasi, serta orkestrasi respons otomatis untuk mendapatkan sistem keamanan yang holistik dan kuat. Penelitian ini berkontribusi pada pengembangan kerangka arsitektur keamanan modern yang relevan untuk penerapan di sektor pemerintahan, perbankan, manufaktur, hingga layanan kesehatan.

GS Cited Analysis

References

Alshamrani, A., Myneni, S., Chowdhary, A., & Huang, D. (2019). A survey on advanced persistent threats: Techniques, solutions, challenges, and research opportunities. Future Generation Computer Systems, 97, 313–336.

Buczak, A. L., & Guven, E. (2016). A survey of machine learning methods for cyber security intrusion detection. IEEE Communications Surveys & Tutorials, 18(2), 1153–1176.

Chandola, V., Banerjee, A., & Kumar, V. (2009). Anomaly detection: A survey. ACM Computing Surveys, 41(3), 1–58.

Cisco Systems. (2023). Cisco Security Report: Global Threat Landscape 2023.

Darktrace. (2024). The State of AI-Powered Cyber Defense. In Darktrace Research Report.

ENISA. (2022). ENISA Threat Landscape Report 2022. In European Union Agency for Cybersecurity.

FireEye. (2020). Enterprise Security Architecture Report.

Gartner. (2022). Adaptive Security Architecture: Techniques and Implementation Strategies. In Gartner Research.

Huang, L., Joseph, A., Nelson, B., Rubinstein, B., & Tygar, J. (2011). Adversarial machine learning. Proceedings of the 4th ACM Workshop on Security and Artificial Intelligence, 43–58.

IBM Security. (2023). AI and Data-Driven Cybersecurity Report 2023. In IBM Corporation.

Microsoft Security. (2023). Digital Defense Report 2023. In Microsoft Corporation.

Moustafa, N., & Slay, J. (2016). The UNSW-NB15 dataset for network intrusion detection. Military Communications and Information Systems Conference.

Sarker, I. H. (2021). Deep learning: A comprehensive overview on techniques, taxonomy, applications, and research directions. SN Computer Science, 2(6), 1–20.