Abstrak: Sistem Informasi Akademik (SIAKAD) merupakan komponen vital dalam pengelolaan data akademik di perguruan tinggi, termasuk Institut Agama Islam Al-Ghurabaa. Akses tidak sah terhadap sistem ini dapat menyebabkan kebocoran data, perubahan nilai, dan gangguan integritas informasi akademik. Penelitian ini bertujuan untuk mengembangkan model deteksi dini terhadap aktivitas akses tidak sah menggunakan algoritma machine learning.Metode penelitian meliputi pengumpulan dan pra-pemrosesan data log akses SIAKAD, ekstraksi fitur perilaku pengguna (frekuensi login, waktu akses, IP address, dan pola aktivitas), serta pelatihan model klasifikasi menggunakan algoritma Random Forest dan Support Vector Machine (SVM). Evaluasi dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score.Hasil pengujian menunjukkan bahwa algoritma Random Forest menghasilkan tingkat akurasi tertinggi sebesar 97,3%, dengan kemampuan deteksi anomali akses yang lebih baik dibanding SVM (93,8%). Model yang diusulkan mampu mendeteksi aktivitas login mencurigakan secara real-time, sehingga dapat menjadi lapisan keamanan tambahan untuk SIAKAD IAI Al-Ghurabaa. Penerapan machine learning dalam keamanan aplikasi akademik terbukti efektif dalam meningkatkan ketahanan sistem terhadap serangan berbasis autentikasi dan penyalahgunaan akun penggunaKata kunci: SIAKAD; keamanan data; deteksi anomali; machine learning; Random Forest; SVM; Abstract: The Academic Information System (SIAKAD) is a vital component of academic data management in higher education institutions, including Institut Agama Islam Al-Ghurabaa. Unauthorized access to this system can lead to data breaches, grade manipulation, and loss of information integrity. This research aims to develop an early detection model for unauthorized access using machine learning algorithms. The methodology includes collecting and preprocessing SIAKAD access log data, extracting behavioral features (login frequency, access time, IP address, and activity patterns), and training classification models using Random Forest and Support Vector Machine (SVM) algorithms. Evaluation metrics used are accuracy, precision, recall, and F1-score. Experimental results show that the Random Forest algorithm achieved the highest accuracy of 97.3%, outperforming SVM (93.8%) in detecting anomalous access attempts. The proposed model can identify suspicious login activities in real-time, providing an additional security layer for SIAKAD IAI Al-Ghurabaa. The study demonstrates that machine learning-based intrusion detection is effective in enhancing system resilience against authentication-based attacks and user account misuse.Keywords: SIAKAD; data security; anomaly detection; machine learning; Random Forest; SVM;