<![CDATA[Meningkatnya intensitas serangan siber berbasis HTTP menuntut adanya mekanisme deteksi dini yang adaptif dibandingkan dengan pendekatan tradisional berbasis signature. Penelitian ini mengimplementasikan algoritma pembelajaran tak terarah (unsupervised learning) K-Means clustering untuk mengidentifikasi anomali serangan siber menggunakan HTTP CSIC 2010 dataset. Tahapan penelitian diawali dengan ekstraksi delapan fitur numerik yang mencakup enkoding metode HTTP, panjang karakter URL dan muatan, kuantitas kata kunci serangan (SQLi dan XSS), serta rasio karakter khusus pada URL dan konten. Seluruh fitur ditransformasikan menggunakan Min-Max Scaler untuk menyeragamkan rentang skala jarak geometris. Penentuan jumlah klaster optimal divalidasi dengan metode Elbow yang menetapkan parameter (kelompok normal dan anomali). Hasil pengelompokan K-Means dievaluasi terhadap label asli lapangan (ground-truth labels) melalui matriks konfusi. Pengujian menunjukkan bahwa kombinasi K-Means dan rekayasa fitur keamanan ini mampu memisahkan aktivitas intrusi dari lalu lintas normal dengan tingkat akurasi sebesar 61,54% dan presisi kelas serangan sebesar 54%. Penelitian ini berkontribusi dalam menyediakan kerangka otomatisasi pemilahan data log bagi personel Security Operations Center (SOC) untuk membantu memitigasi noise data pada alert keamanan secara lebih efisien. Kata Kunci: deteksi anomali, rekayasa fitur keamanan, K-Means Clustering, HTTP CSIC 2010, Security Operations Center.]]>
Copyrights © 2026
