Teori Graf Diskrit untuk Deteksi Intrusi dan Optimasi Firewall: Systematic Literature Review

Peningkatan kompleksitas jaringan komputer dan eskalasi ancaman keamanan siber menuntut pendekatan analitis yang mampu merepresentasikan struktur jaringan secara sistematis dan terukur. Teori graf matematika diskrit menawarkan kerangka formal untuk memodelkan topologi jaringan sebagai simpul dan sisi, sehingga berpotensi mendukung deteksi intrusi dan optimasi penempatan firewall secara lebih efektif. Penelitian ini bertujuan untuk melakukan Systematic Literature Review terhadap publikasi periode 2022--2026 guna mengidentifikasi aplikasi teori graf dalam deteksi intrusi, mengevaluasi metode optimasi firewall berbasis graf yang paling efektif, serta memetakan celah penelitian dan tren pengembangan ke depan. Tren utama yang paling mencolok adalah dominasi graf berbobot (64% dari 42 studi) dan pendekatan pembelajaran berbasis struktur seperti Graph Neural Networks (GNN) yang meningkat signifikan sejak 2023 untuk deteksi anomali, mencerminkan pergeseran dari graf statis konvensional menuju graf dinamis untuk menangkap pola serangan real-time. Selain itu, optimasi firewall mendominasi dengan Integer Linear Programming (ILP) dan heuristik graf (71% studi terkait), dengan hanya 45% studi (19 dari 42) yang mengintegrasikan kedua domain. Metode SLR mengikuti protokol Kitchenham-PRISMA dengan tahapan pencarian sistematis pada database bereputasi, seleksi inklusi-eksklusi, serta analisis meta-analisis deskriptif-komparatif, meta-sintesis tematik, dan content analysis. Hasil menunjukkan efektivitas GNN dalam meningkatkan akurasi deteksi hingga 92% dan reduksi jalur serangan hingga 31% via ILP. Penelitian ini berkontribusi menyajikan sintesis terpadu antara deteksi intrusi dan optimasi firewall dalam kerangka graf diskrit, serta landasan konseptual bagi model keamanan jaringan adaptif berbasis struktur matematis.