SYSTEMATIC REVIEW PENGGUNAAN ISOLATION FOREST DAN SUPPORT VECTOR MACHINE UNTUK ANOMALY DETECTION

Abstract

Deteksi anomali penting untuk menjaga keamanan dan konsistensi data pada berbagai sistem. Namun, penelitian terkait metode yang digunakan masih tersebar dan belum terpetakan secara sistematis. Permasalahan utama dalam kajian ini adalah ketiadaan pemetaan komprehensif mengenai penggunaan Isolation Forest (IF) dan Support Vector Machine (SVM) dalam penelitian anomaly detection, terutama terkait domain penelitian, metrik evaluasi yang digunakan, serta kualitas pelaporan eksperimen. Penelitian ini bertujuan menyusun systematic review terhadap studi-studi yang memanfaatkan IF dan SVM untuk deteksi anomali setelah tahun 2019, sehingga diperoleh gambaran menyeluruh mengenai tren penggunaannya. Metode yang digunakan adalah systematic literature review melalui pencarian artikel di Google Scholar, seleksi berbasis kriteria inklusi dan eksklusi, ekstraksi data terstruktur, serta sintesis deskriptif untuk menjawab tiga pertanyaan penelitian terkait domain dan dataset, metrik evaluasi, dan aspek reprodusibilitas. Hasil penelitian menunjukkan bahwa IF banyak digunakan pada domain keamanan jaringan, log sistem, keuangan, dan evaluasi kinerja, sedangkan SVM lebih dominan pada domain keamanan dan sistem seperti intrusion detection, IoT, dan malware. SVM juga lebih konsisten dalam pelaporan metrik evaluasi. Namun, pelaporan hyperparameter, preprocessing, runtime, dan ketersediaan kode sumber pada kedua kelompok studi masih terbatas, sehingga reprodusibilitas penelitian belum optimal