<![CDATA[Meningkatnya ancaman serangan siber dan volume log server yang masif menjadi tantangan utama dalam proses investigasi keamanan siber. Analisis manual sulit dilakukan karena data log bersifat tidak terstruktur, dinamis, dan memiliki ketidakseimbangan kelas yang tinggi. Penelitian ini bertujuan untuk merancang sistem analisis log otomatis menggunakan kombinasi model Bidirectional Encoder Representations from Transformers (BERT) untuk memahami konteks teks dan algoritma Deep Embedded Clustering (DEC) untuk pengelompokan pola serangan tanpa data berlabel (unsupervised). Proses diawali dengan preprocessing berupa normalisasi teks dan penghitungan skor kecurigaan berdasarkan aturan OWASP. Representasi vektor dihasilkan menggunakan model all-MiniLM-L6-v2 yang kemudian dioptimasi oleh DEC untuk membentuk struktur kluster yang lebih kompak. Hasil eksperimen menunjukkan bahwa penggunaan model all-MiniLM-L6-v2 memberikan performa optimal dengan Silhouette Score 0,7866. Integrasi BERT dan DEC terbukti jauh lebih efektif dibandingkan metode konvensional (K-Means), dengan perolehan Silhouette Score 0,7921 dan Davies-Bouldin Index (DBI) 0,5522. Selain itu, penerapan teknik deduplikasi berhasil mengurangi beban pemrosesan hingga 95,03% tanpa menghilangkan informasi pola serangan. Prototipe berbasis web yang dikembangkan juga terbukti responsif dalam membantu eksplorasi data log skala besar secara interaktif.]]>
Copyrights © 2025
