Muhammad Ajran Saputra

Evolusi peran teknologi menarik ancaman keamanan siber yang tidak hanya membahayakan teknologi yang stabil, tetapi juga menyebabkan kerugian finansial yang signifikan bagi organisasi dan individu. Oleh karena itu, organisasi harus membuat dan menerapkan strategi keamanan siber yang komprehensif untuk meminimalkan kerugian lebih lanjut. Pendirian pusat pengawasan keamanan siber adalah salah satu strategi yang diadopsi secara optimal, yang dikenal sebagai pusat operasi keamanan (SOC). Strategi ini telah menjadi yang terdepan dalam perlindungan sistem digital. Kami mengusulkan optimalisasi strategi untuk mencegah atau memitigasi serangan siber dengan menganalisis dan mendeteksi anomali log menggunakan model pembelajaran mesin. Penelitian ini menggunakan dua model pembelajaran mesin: model naïve Bayes dengan varian multinomial, Gaussian, dan Bernoulli, dan model support vector machine (SVM) dengan varian radial basis function (RBF), linear, polinomial, dan sigmoid kernel. Hyperparameter pada kedua model tersebut kemudian dioptimalkan. Model dengan hyperparameter yang telah dioptimalkan kemudian dilatih dan diuji. Hasil eksperimen menunjukkan bahwa performa terbaik dicapai oleh model SVM kernel RBF, dengan akurasi 79,75%, presisi 80,8%, recall 79,75%, dan F1-score 80,01%; dan model Gaussian naïve Bayes, dengan akurasi 70,0%, presisi 80,27%, recall 70,0%, dan F1-score 70,66%. Secara keseluruhan, kedua model memiliki kinerja yang relatif baik dan diklasifikasikan dalam kategori sangat baik (75% – 89%). Keywords: Cyber attack, Detection, Hyperparameter, Naïve Bayes, Support vector machine