| dc.description.abstract | Pada era digital yang semakin kompleks, membuat kerentanan zero-day vulnerability
berkembang pesat. Hal ini menyebabkan perusahaan membutuhkan teknologi keamanan yang
dapat melampaui metode pendeteksi berbasis tanda tangan (Signature-Based), yang hanya
mengandalkan informasi dari jenis serangan yang pernah terjadi. Dari permasalahan tersebut,
diperlukan teknologi keamanan yang menggunakan metode pendeteksian berbasis perilaku
(Behavioral-Based) dengan memanfaatkan Artificial Intelligence (AI) dan Machine Learning
(ML). Lintasarta sebagai perusahaan yang memberikan sebuah layanan (vendor) memberikan
sebuah solusi dari permasalahan ini, yaitu membuat layanan Network Detection and Response
(NDR) yang dikembangkan oleh Darktrace sebagai salah satu solusi teknologi yang
mendukung metode pendeteksian ini, sehingga memungkinkan perlindungan dinamis dan
efektif terhadap ancaman siber. Namun, Selama masa percobaan penggunaan NDR Darktrace
di Lintasarta, terdapat permasalahan dalam penggunaannya yaitu tingginya hasil pendeteksian
False-Positive. Hal ini membuat penulis harus merancang langkah manajemen insiden yang
efektif untuk memvalidasi dan meningkatkan kemampuan deteksi dan respons dari teknologi
NDR dalam mengatasi permasalahan ini. Penelitian ini bertujuan untuk membuat langkah-
langkah manajemen insiden yang tepat untuk identifikasi dan respons serangan dengan efektif
dan efisien beserta dengan pembuktian efisiensi langkah manajemen insiden dengan alur
penggunaannya pada sebuah potensi ancaman yang terjadi di Lintasarta. Hasil penelitian ini
memberikan dampak yang signifikan bagi teknologi NDR Darktrace dalam mendeteksi dan
merespons berbagai macam insiden. | en_US |
