Sistem Logging Jaringan Berbasis Web dengan Visualisasi Interaktif dan Analisis Anomali sebagai Solusi Keterbatasan Sistem Konvensional

Rizal Muslim Sinaga (Universitas Negeri Medan)
Dedy Kiswanto (Universitas Negeri Medan)
Ega Pratama (Universitas Negeri Medan)
Yohana Lorinez S. (Universitas Negeri Medan)

Jurnal Nasional Komputasi dan Teknologi Informasi
Vol 8, No 6 (2025): Desember 2025

Abstrak - Pertumbuhan ekosistem digital di lingkungan kampus menghasilkan volume log jaringan yang tinggi sehingga administrator kesulitan mengidentifikasi anomali secara manual. Penelitian ini menghadirkan sistem logging berbasis web yang mengintegrasikan Django sebagai layanan aplikasi, ELK Stack untuk agregasi dan visualisasi real-time, serta modul machine learning RandomForest yang dilatih menggunakan dataset UNSW-NB15 guna mengklasifikasikan tipe serangan. Telegram Bot API digunakan sebagai kanal notifikasi instan ketika pola mencurigakan ditemukan. Metode Research and Development diterapkan untuk merancang arsitektur, mengimplementasikan modul, dan menguji performa sistem. Evaluasi menunjukkan akurasi model sebesar 81,54% dengan f1-score tertinggi 99,05% pada trafik Generic, sedangkan kelas dengan data terbatas seperti Backdoor masih menantang. Integrasi dashboard dan notifikasi menurunkan waktu investigasi insiden serta membuktikan bahwa sinergi visualisasi dan analitik dapat memperkuat ketahanan keamanan jaringan kampus.Kata kunci : Logging jaringan; ELK Stack; deteksi anomali; machine learning; Telegram Bot; Abstract - The rapid expansion of campus digital services produces high-volume network logs that complicate manual anomaly analysis. This article presents a web-based logging system that combines Django as the application layer, the ELK Stack for real-time aggregation and visualization, and a RandomForest model trained on the UNSW-NB15 dataset to classify attack categories. A Telegram Bot API integration delivers instant notifications when suspicious patterns emerge. A Research and Development methodology guides the architecture design, module implementation, and performance evaluation. Experiments report 81.54% accuracy with the highest f1-score of 99.05% on Generic traffic, while minority classes such as Backdoor remain challenging. The integrated dashboard and notification flow reduce incident investigation time and demonstrate how visual analytics and machine learning improve campus network resilience.Keywords: Network logging; ELK Stack; anomaly detection; machine learning; Telegram Bot;