Automatic Network Incident Classification Menggunakan IndoBERT

Abstract

Abstrak.

Tujuan : Perkembangan infrastruktur jaringan komputer dan layanan digital menyebabkan peningkatan volume log jaringan serta kompleksitas insiden keamanan siber. Analisis log jaringan secara manual memerlukan waktu yang lama dan rentan terhadap kesalahan sehingga dibutuhkan sistem klasifikasi insiden jaringan secara otomatis. Penelitian ini bertujuan membangun sistem Automatic Network Incident Classification menggunakan IndoBERT untuk mengklasifikasikan insiden jaringan berbasis log teks.

Metode/Design/Pendekatan: Dataset penelitian diperoleh dari HDFS Log Dataset, BGL Log Dataset, dan Syslog Dataset dengan total 52.430 data log. Metode penelitian meliputi preprocessing log, tokenisasi, representasi teks menggunakan IndoBERT, pelatihan model klasifikasi, serta evaluasi performa menggunakan confusion matrix dan ROC-AUC.

Hasil/Temuan: Hasil penelitian menunjukkan bahwa model IndoBERT memperoleh accuracy sebesar 95,37%, precision sebesar 94,92%, recall sebesar 95,81%, F1-score sebesar 95,36%, dan ROC-AUC sebesar 96,14%. Model mampu memahami hubungan semantik antar log jaringan seperti intrusion activity, authentication failure, dan network anomaly secara efektif.

Kebaharuan/Originalitas/Nilai: Penelitian ini membuktikan bahwa pendekatan NLP berbasis Transformer mampu meningkatkan akurasi klasifikasi insiden jaringan serta mendukung pengembangan sistem keamanan jaringan cerdas berbasis Artificial Intelligence.