<![CDATA[Abstrak - Perkembangan ancaman siber yang kompleks menuntut adanya sistem logging jaringan yang tidak hanya efisien dalam pencatatan aktivitas, tetapi juga cerdas dan aman dalam otentikasi serta deteksi anomali. Penelitian ini bertujuan mengembangkan prototipe sistem logging jaringan berbasis web yang terintegrasi menggunakan framework Flask (Python), dengan fokus pada keamanan berlapis dan analisis Machine Learning (ML) otomatis. Sistem yang dikembangkan menerapkan Google reCAPTCHA, Rate Limiter, dan Verifikasi OTP (2FA) untuk memperkuat autentikasi administrator, memastikan data log yang dicatat memiliki validitas tinggi. Data log yang dihasilkan kemudian digunakan untuk melatih model klasifikasi Decision Tree dan Random Forest. Hasil evaluasi menunjukkan kinerja model yang sangat tinggi; Decision Tree mencapai akurasi 100% (F1-Score 1.00) dan Random Forest mencapai akurasi 99.11% (F1-Score 0.99) dalam mengklasifikasikan aktivitas sebagai 'Normal' atau 'Anomali'. Akurasi yang dicapai ini mengonfirmasi efektivitas Decision Tree dan Random Forest dalam mengidentifikasi pola anomali berbasis frekuensi log. Namun, perlu dicatat bahwa pengujian dilakukan pada dataset log yang terbatas dan dihasilkan dari lingkungan simulasi terkontrol. Implikasi praktis dari penelitian ini adalah menyediakan arsitektur end-to-end yang siap diterapkan, yang memungkinkan administrator jaringan untuk mengotomatisasi proses audit keamanan dan memperoleh insight cepat mengenai potensi serangan tanpa perlu analisis log manual yang intensif. Kontribusi utama secara ilmiah adalah prototipe sistem yang melatih model ML langsung pada log internal sistem keamanannya sendiri, menjadikannya dasar bagi pengembangan deteksi anomali real-time yang lebih andal di masa depan.Kata kunci: Sistem Logging; Otentikasi Dua Faktor; Rate Limiter; Machine Learning; Deteksi Anomali; Abstract - The development of complex cyber threats requires a network logging system that is not only efficient in recording activities, but also intelligent and secure in authentication and anomaly detection. This research aims to develop a prototype of an integrated web-based network logging system using the Flask (Python) framework, with a focus on layered security and automatic Machine Learning (ML) analysis. The developed system implements Google reCAPTCHA, Rate Limiter, and OTP Verification (2FA) to strengthen administrator authentication, ensuring that the recorded log data has high validity. The generated log data is then used to train Decision Tree and Random Forest classification models. The evaluation results show very high model performance; Decision Tree achieves 100% accuracy (F1-Score 1.00) and Random Forest achieves 99.11% accuracy (F1-Score 0.99) in classifying activities as ‘Normal’ or ‘Anomaly’. This accuracy confirms the effectiveness of Decision Tree and Random Forest in identifying frequency-based anomaly patterns. However, it should be noted that testing was conducted on a limited log dataset generated from a controlled simulation environment. The practical implication of this research is to provide a ready-to-implement end-to-end architecture that allows network administrators to automate the security audit process and gain quick insight into potential attacks without the need for intensive manual log analysis. The main scientific contribution is a system prototype that trains ML models directly on the internal logs of its own security system, laying the foundation for the development of more reliable real-time anomaly detection in the future.Keywords: Logging System; Two-Factor Authentication; Rate Limiter; Machine Learning; Anomaly Detection;]]>
