PENERAPAN MACHINE LEARNING UNTUK PREDIKSI DURASI PENANGANAN INSIDEN SIBER

• NURUL AMELIA SUWANDI
• 2025

---

Serangan siber merupakan ancaman serius yang dapat mengganggu operasional organisasi, menyebabkan kerugian finansial, serta membahayakan infrastruktur kritis. Kompleksitas dan dampak dari serangan seperti phishing, malware, hingga Distributed Denial of Service (DDoS) menuntut respons yang cepat dan tepat. Salah satu tantangan utama dalam keamanan siber adalah memperkirakan durasi penanganan insiden, yang dipengaruhi oleh berbagai faktor seperti jenis serangan, tingkat kerugian, dan kesiapan tim keamanan. Penelitian ini menerapkan algoritma Random Forest untuk memprediksi durasi penanganan insiden siber menggunakan dataset global periode 2015–2024. Dua pendekatan diterapkan, yaitu klasifikasi dan regresi. Pada pendekatan klasifikasi, model menunjukkan kinerja sangat baik dengan akurasi 99,88%, serta nilai precision dan recall di atas 99% untuk setiap kelas durasi (cepat, sedang, dan lama). Sementara itu, hasil pada pendekatan regresi menunjukkan performa yang kurang optimal dengan nilai Root Mean Squared Error (RMSE) sebesar 21.280, Mean Absolute Error (MAE) sebesar 18.733, dan korelasi 0,09. Hal ini menandakan bahwa regresi belum mampu memberikan estimasi waktu yang presisi, sehingga pendekatan klasifikasi dinilai lebih relevan untuk konteks prediksi durasi insiden. Analisis feature importance mengidentifikasi atribut Financial Loss, Number of Affected Users, dan Year sebagai faktor yang paling memengaruhi cepat atau lambatnya penanganan. Temuan ini menunjukkan bahwa besarnya dampak finansial dan jumlah pengguna terdampak menjadi indikator kunci dalam menentukan prioritas dan efisiensi respons organisasi terhadap insiden siber

• Serangan Siber
• Prediksi
• Durasi Penanganan Insiden
• Random Forest
• Machine Learning
• Feature Import

Tautan dinonaktifkan.