DETEKSI ANOMALI AKSES PADA SISTEM LOG FORTIGATE FIREWALL MENGGUNAKAN AUTOENCODER DAN ONE-CLASS SVM UNTUK ANALISIS SISTEM LOG FORTIGATE DI PT. XYZ

Ryno Pahlevi, Al Ghiffari (2025) DETEKSI ANOMALI AKSES PADA SISTEM LOG FORTIGATE FIREWALL MENGGUNAKAN AUTOENCODER DAN ONE-CLASS SVM UNTUK ANALISIS SISTEM LOG FORTIGATE DI PT. XYZ. Other thesis, UNSADA.

	Text COVER.pdf Download (1MB)
	Text BAB 1.pdf Download (703kB)
	Text BAB 2.pdf Download (966kB)
	Text BAB 3.pdf Restricted to Registered users only Download (1MB)
	Text BAB 4.pdf Restricted to Registered users only Download (1MB)
	Text BAB 5.pdf Download (740kB)
	Text DAFTAR PUSTAKA.pdf Download (687kB)
	Text LAMPIRAN.pdf Download (4MB)
	Text HASIL TURNITIN.pdf Download (512kB)
	Text SUKET TURNITIN.pdf Download (677kB)

Abstract

Analisis manual volume data log Fortigate yang besar di PT. XYZ memakan waktu dan rentan terhadap kesalahan, sehingga menyulitkan deteksi aktivitas mencurigakan. Penelitian ini mengatasi masalah tersebut dengan merancang dan mengimplementasikan sistem deteksi anomali otomatis menggunakan model unsupervised machine learning, yaitu Autoencoder dan One-Class SVM, yang dilatih hanya pada data log normal. Prosesnya dimulai dari pra-pemrosesan data dengan parsing dan rekayasa fitur untuk memilih 23 atribut informatif. Berdasarkan evaluasi kuantitatif, model Autoencoder menunjukkan performa superior dengan akurasi 95.53%, Recall 1.0000, Precision 0.7918, dan F1-Score 0.8838. Sebagai perbandingan, model One-Class SVM menghasilkan akurasi 88.74% dengan F1Score 0.7507 (Precision: 0.6018, Recall: 0.9973). Sistem ini diwujudkan dalam aplikasi web interaktif berbasis Streamlit. Dengan demikian, pendekatan unsupervised learning menggunakan Autoencoder terbukti menjadi metode yang efektif dan andal untuk mengotomatisasi deteksi anomali pada log Fortigate, sekaligus meningkatkan efisiensi dan akurasi analisis keamanan jaringan di PT. XYZ.

Item Type:	Thesis (Other)
Additional Information:	Dosen Pembimbing : Herianto, S.Pd., MT.
Uncontrolled Keywords:	Deteksi Anomali, Unsupervised Learning, Autoencoder, One-Class SVM, Log Fortigate, Keamanan Jaringan.
Divisions:	Fakultas Teknik > Teknik Informatika
Depositing User:	Suwatno Suwatno Perpustakaan
Last Modified:	06 Apr 2026 05:53
URI:	http://repository.unsada.id/id/eprint/10319

Actions (login required)

View Item