<![CDATA[Analisis log server web merupakan komponen krusial dalam investigasi forensik digital, namun volume data yang masif dan format yang tidak terstruktur seringkali menghambat proses deteksi anomali secara manual. Penelitian ini bertujuan mengembangkan alat bantu investigasi serangan siber otomatis berbasis unsupervised learning untuk mengatasi permasalahan tersebut. Sistem yang dibangun mengintegrasikan model bahasa BERT (Bidirectional Encoder Representations from Transformers) untuk ekstraksi fitur semantik pada URL path, algoritma UMAP (Uniform Manifold Approximation and Projection) untuk mengatasi dimensi tinggi, serta algoritma OPTICS (Ordering Points To Identify the Clustering Structure) dengan metode xi untuk pengelompokan data tanpa asumsi awal. Melalui pengujian pada dataset log e-commerce, kinerja sistem dievaluasi menggunakan metrik Density-Based Clustering Validation (DBCV). Hasil eksperimen menunjukkan konfigurasi optimal dicapai pada min_samples 10 dan dimensi UMAP 20, menghasilkan skor DBCV 0,6332 dengan efisiensi waktu yang baik. Sistem terbukti andal memisahkan pola serangan sistematis, seperti SQL Injection, menjadi klaster padat dan mengisolasi aktivitas acak sebagai noise. Disimpulkan bahwa integrasi BERT dan OPTICS efektif dalam mempercepat proses pemilahan awal dan investigasi insiden serangan siber.]]>
Copyrights © 2026
