Kemajuan teknologi komunikasi digital mempermudah interaksi manusia secara instan, namun juga meningkatkan risiko paparan informasi pribadi di platform daring yang belum memiliki perlindungan memadai (Salahdine & Kaabouch, 2019). Serangan rekayasa sosial memanfaatkan aspek psikologis untuk mendorong korban membocorkan data sensitif atau melakukan tindakan berisiko (Femi et al., 2025). Serangan ini umumnya terjadi akibat rendahnya pemahaman terhadap metode, model, maupun kerangka pencegahannya (Syafitri et al., 2022).

Berdasarkan data dari Pusat Informasi Kriminal Nasional Polisi Republik Indonesia (Polri) tahun 2023 - 2025 menyebutkan bahwa kejahatan angka manipulasi data pada tahun 2023-2025 terdapat 32.631 kasus.

https://docs.google.com/spreadsheets/d/1NUatsk0yQtSJP6qSKseHy_Yxe376M5VAqIuqwwNy2pM/edit?usp=sharing

Gambar 1. Kejahatan Manipulasi Data

Data Pusat Informasi Kriminal Nasional menunjukkan terjadi peningkatan jumlah kejahatan manipulasi data secara ITE. Pada 2023, Kepolisian Negara Republik Indonesia menindak 11.286 kasus kejahatan manipulasi data secara ITE, jumlah rata-rata tiap bulan yaitu 940 kasus. Pada 2024, jumlah kasus meningkat 23,35 % dibanding jumlah kasus pada 2023. Di sepanjang 2024, Kepolisian Negara Republik Indonesia (Polri) menindak 13.922 kasus kejahatan manipulasi data secara ITE, angka rata-rata jumlah kasus kejahatan itu yaitu 1.160 kasus setiap bulan. Lalu pada lima bulan pertama di 2025, Kepolisian Negara Republik Indonesia menindak 7.423 kasus kejahatan manipulasi data secara ITE. Jumlah tersebut mencapai 53,31 % dari jumlah penindakan kasus manipulasi data secara ITE dalam setahun penuh di 2024, adapun rata-rata per bulan yaitu 1.484 kasus. Angka rata-rata per bulan kasus kejahatan manipulasi data secara ITE di 2025 meningkat 27,93 % dibanding angka rata-rata per bulan kasus kejahatan tersebut di 2024.

Mengingat frekuensi serangan siber yang terus meningkat, adopsi metode kecerdasan buatan, khususnya Machine Learning (ML), Deep Learning (DL), dan Reinforcement Learning (RL), telah menjadi penting dalam bidang keamanan siber (Ozkan-Okay, M et al., 2024). Karena meningkatnya risiko keamanan siber, keamanan siber telah menjadi elemen terpenting di dunia maya untuk melawan semua ancaman, serangan, dan penipuan siber (Shaukat, K et al., 2020). Oleh karena itu, mengamankan data, mesin (perangkat), dan privasi pengguna di dunia maya telah menjadi perhatian utama bagi individu, organisasi bisnis, dan pemerintah nasional (Dasgupta, D et al., 2020). Adopsi luas sistem yang saling terhubung, termasuk perangkat Internet of Things, platform seluler, dan infrastruktur cloud, telah memperkenalkan permukaan serangan baru dan secara signifikan meningkatkan kompleksitas pengamanan lingkungan digital (He, Z et al., 2025).

Penelitian sebelumnya pernah dilakukan oleh Lansley, M., Mouton, F., Kapetanakis, S., & Polatidis, N. dengan judul SEADer++: social engineering attack detection in online environments using machine learning. Journal of Information and Telecommunication yang dilakukan pada tahun 2020 dengan mengembangkan metode yang mendeteksi serangan rekayasa sosial yang berbasis pada pemrosesan bahasa alami dan jaringan saraf tiruan. Metode ini dapat diterapkan pada teks offline atau lingkungan online dan menandai percakapan sebagai serangan rekayasa sosial atau bukan. Namun, metode ini rentan terhadap perubahan pola dan variasi serangan serta sulit menjelaskan mengapa sebuah pesan diklasifikasikan sebagai serangan. 

Penelitian lain juga pernah dilakukan oleh Palaniappan, S., Logeswaran, R., Khanam, S., & Gunawardhana, P. 2025  dengan judul Social Engineering Threat Analysis Using Large-Scale Synthetic Data. Journal of Informatics and Web Engineering pada tahun 2025 dengan mengusulkan model pembelajaran mesin untuk mendeteksi jenis ancaman ini. Model ini dilatih menggunakan dataset sintetis besar berisi 10.000 sampel untuk mensimulasikan berbagai jenis ancaman rekayasa sosial di dunia nyata seperti phishing, spear phishing, whaling, vishing, smishing, baiting, bahkan pretexting. Akan tetapi model ini terlalu fokus pada klasifikasi serangan, bukan pada deteksi account takeover (perubahan perilaku akun setelah diambil alih) 

Berdasarkan penelitian sebelumnya, masih terdapat kekurangan dalam kemampuan sistem untuk mendeteksi serangan rekayasa sosial secara adaptif terhadap variasi pola di tengah strategi manipulasi yang terus berkembang. Di sisi lain, penelitian terdahulu belum sepenuhnya mempertimbangkan aspek deteksi pengambilalihan akun (account takeover) yang ditandai dengan perubahan perilaku akun setelah diambil alih. Untuk meminimalkan permasalahan tersebut, diperlukan suatu inovasi yang mampu mengintegrasikan analisis konten komunikasi dengan pemantauan perilaku akun secara komprehensif. Oleh karena itu, inovasi ini menjadi penting untuk membantu pengguna, khususnya kelompok rentan, dalam mendeteksi ancaman secara dini serta meningkatkan perlindungan terhadap aset digital mereka melalui sistem berbasis kecerdasan buatan.

Oleh sebab itu, dalam inovasi ini dikembangkan sebuah purwarupa Sistem Deteksi Dini Serangan Social Engineering dan Account Takeover berbasis Machine Learning pada Platform Pesan Digital. Sistem ini merupakan suatu model berbasis kecerdasan buatan yang berfungsi untuk memindai pola komunikasi yang mencurigakan, menganalisis potensi manipulasi psikologis, sekaligus mengidentifikasi indikasi perubahan perilaku akun guna mencegah terjadinya penyalahgunaan maupun kerugian lebih lanjut.

Permasalahan pada meningkatnya ancaman serangan siber yang secara spesifik menargetkan kelemahan psikologis pengguna terutama pada kelompok rentan. Jika tidak segera diantisipasi melalui sistem deteksi dini yang cerdas sekaligus adaptif, maka risiko kerugian finansial, pencurian identitas, serta penyalahgunaan akun akan terus meningkat, terutama pada kelompok rentan seperti lansia dan pengguna dengan literasi digital rendah. Selain itu, pola serangan social engineering dengan account takeover semakin kompleks hingga sulit dikenali secara manual karena memanfaatkan teknik manipulasi yang menyerupai dengan komunikasi normal. Hal ini menuntut adanya sistem yang bisa mengidentifikasi secara dini sekaligus mengirimkan notifikasi peringatan yang mampu menganalisis pola pesan, anomali perilaku akun, serta identifikasi phising secara real-time. Oleh karena itu, pengembangan Defense V01 menjadi sangat mendesak sekaligus menjadi solusi yang tidak hanya meningkatkan keamanan digital, tetapi juga mendukung upaya perlindungan terhadap kelompok rentan.

Solusi yang ditawarkan melalui Defense V01 adalah pengembangan sistem deteksi dini berbasis Machine Learning yang terintegrasi langsung pada platform pesan digital untuk mengidentifikasi indikasi serangan secara real-time. Sistem ini bekerja dengan menganalisis pola percakapan, struktur bahasa, tautan mencurigakan, serta aktivitas anomali pada akun. Dengan memanfaatkan algoritma klasifikasi berbasis machine learning dipadukan dengan deteksi anomali, sistem mampu mengidentifikasi karakteristik pesan penipuan, permintaan data sensitif, maupun upaya pengambilalihan akun sebelum kerugian terjadi. Sebagai bentuk perlindungan, Defense V01 dirancang untuk memberikan notifikasi peringatan secara langsung melalui tampilan pop-up mengambang ketika terdeteksi potensi penipuan atau penyalahgunaan akun. Melalui solusi yang diusulkan oleh inventor ini diharapkan mampu untuk menekan kasus manipulasi data hingga account takeover, meningkatkan keamanan komunikasi digital, serta memberikan perlindungan yang lebih baik bagi kelompok rentan. . 

Defense V01 : Sistem Deteksi Dini Serangan Social Engineering dan Account Takeover Berbasis Machine Learning V01 memiliki beberapa keunggulan dibandingkan sistem deteksi ancaman digital sebelumnya, khususnya pada deteksi serangan social engineering dan account takeover di platform pesan digital. 

1. Defense V01  mampu mengidentifikasi indikasi serangan keamanan sejak tahap awal sebelum terjadinya pengambilalihan akun (account takeover).

2. Defense V01 dirancang dengan antarmuka yang ramah pengguna guna mendukung perlindungan kelompok rentan, khususnya lansia maupun pengguna dengan literasi digital rendah. 

3. Defense V01 mampu mengklasifikasikan tingkat ancaman pada percakapan digital ke dalam kategori sedang dan tinggi sebagai dasar pemberian peringatan dini kepada pengguna.