Deteksi Anomali Login Berbasis Analisis Perilaku dan Penilaian Risiko Sadar Konteks Pada Sistem Informasi Akademik di Politeknik Kepribadian Bangsa

Abstract

Abstrak: Berikut adalah terjemahan bahasa Inggris dari abstrak Anda: Keamanan akun dalam sistem informasi akademik tidak dapat hanya mengandalkan nama pengguna dan kata sandi. Perubahan perangkat, jaringan, waktu akses, dan kegagalan autentikasi dapat menjadi indikator awal penggunaan akun yang menyimpang dari pola normal. Penelitian ini mengkaji penerapan analitik perilaku dan penilaian risiko berbasis konteks untuk mendeteksi anomali login di lingkungan akademik. Kumpulan data yang dianalisis mencakup 1.819 aktivitas login dari 107 pengguna antara tanggal 1 Juni dan 30 Juli 2026. Pada bulan Juni, sebagian besar aktivitas terkait dengan pemeriksaan transkrip akademik (KHS), sedangkan pada bulan Juli, aktivitas beralih ke pendaftaran mata kuliah (KRS). Lokasi login dalam kumpulan data tersebut meliputi Karawang, Bekasi, dan Purwakarta. Tiga algoritma dibandingkan: Isolation Forest, One-Class SVM, dan Local Outlier Factor (LOF). Fitur yang digunakan mencakup percobaan gagal, perubahan perangkat, perubahan IP, waktu login yang tidak biasa, dan representasi waktu siklikal. Hasil pengujian menunjukkan bahwa Isolation Forest mencapai skor F1 tertinggi sebesar 0,305, sementara One-Class SVM dan LOF masing-masing mencapai 0,110 dan 0,047. Isolation Forest juga menghasilkan nilai ROC-AUC sebesar 0,594. Temuan ini mengindikasikan bahwa Isolation Forest lebih sesuai dengan karakteristik kumpulan data yang digunakan, meskipun tingkat deteksinya masih perlu ditingkatkan. Label anomali yang digunakan bersifat sintetis, sehingga hasil penelitian ini sebaiknya ditafsirkan sebagai evaluasi eksperimental dan bukan sebagai jumlah insiden keamanan yang terverifikasi.