Serangan siber yang semakin sering terjadi membuat kita membutuhkan sistem yang mampu mendeteksi ancaman jaringan secara real-time. Skripsi ini merancang dan membangun sistem User and Entity Behavior Analytics (UEBA) untuk mendeteksi anomali jaringan menggunakan Apache Spark dan algoritma Latent Dirichlet Allocation (LDA). Sistem ini dibangun menggunakan Docker dengan beberapa komponen utama, yaitu Apache Kafka untuk aliran data real-time, Apache Spark untuk pemrosesan data, Elasticsearch untuk penyimpanan analitis, dan Kibana untuk dashboard visualisasi. Proses deteksi dimulai dengan mengelompokkan fitur jaringan seperti jumlah bytes, port tujuan, dan durasi koneksi ke dalam beberapa kategori menggunakan Quantile Discretizer, lalu data diubah menjadi format teks (Bag of Words) dan diproses oleh model LDA dengan 5 topik untuk mempelajari pola trafik normal. Jika ditemukan trafik yang menyimpang, sistem akan menghitung skor anomali dan mengklasifikasikannya ke dalam 9 jenis ancaman seperti Port Scanning, Brute Force Attack, dan Data Exfiltration menggunakan aturan Fuzzy Logic. Pengujian dilakukan pada dataset CESNET-Timeseries24 dengan metode Synthetic Anomaly Injection, dan hasilnya menunjukkan bahwa sistem berhasil mendeteksi ancaman secara real-time dengan akurasi 84.2% pada pengujian 10 menit dan 100% pada pengujian 1 jam, sehingga sistem ini layak digunakan untuk memantau keamanan jaringan secara real-time.