Sistem disaster recovery (DR) tradisional berbasis waktu (time-driven) sering kali tidak sensitif terhadap kondisi server secara real-time, sehingga memperburuk nilai RTO dan RPO saat terjadi insiden atau muncul ancaman. Penelitian ini bertujuan untuk merancang, mengimplementasikan, dan menganalisis performa sistem Event-Driven Disaster Recovery menggunakan orkestrator n8n dan mesin pencadangan ReaR pada lingkungan virtual Proxmox VE. Sistem ini dikembangkan sebagai solusi otomatisasi mitigasi bencana dan gangguan server secara real-time untuk menekan intervensi manual IT support. Hasil pengujian menunjukkan bahwa arsitektur berbasis kejadian ini berhasil mencapai empat dari lima target numerik performa yang ditetapkan. Nilai Recovery Time Objective (RTO) dan potensi Recovery Point Objective (RPO) berhasil didapatkan kurang dari 15 menit pada seluruh skenario, dengan waktu deteksi insiden kurang dari 5 menit serta total rate false negative di bawah 5%. Pengujian komparatif kecerdasan buatan (LLM Llama 3.2 lokal) menunjukkan bahwa pendekatan Partial AI pada node AI agent memiliki stabilitas dan akurasi tertinggi (hingga 30/30). Sebaliknya, pendekatan Full AI memberikan fleksibilitas tinggi dalam memproses teks tidak terstruktur, namun rentan mengalami over-mitigation, memperlama durasi workflow lebih dari 16–20%, serta belum mampu mencapai target akurasi keputusan di atas 90% akibat sifat model yang belum stabil.