INTEGRASI SISTEM PEMBELAJARAN MESIN UNTUK DETEKSI INJEKSI SQL MENGGUNAKAN ALGORITMA RANDOM FOREST

Pradana, Naufal Arieq Wira (2024) INTEGRASI SISTEM PEMBELAJARAN MESIN UNTUK DETEKSI INJEKSI SQL MENGGUNAKAN ALGORITMA RANDOM FOREST. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (781kB)
	Text (BAB I) BAB I.pdf Download (177kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (473kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (119kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (684kB)
	Text (BAB V) BAB V.pdf Download (66kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (84kB)
	Archive (SOURCE CODE) Sourcecode - 20.83.0574.zip Restricted to Repository staff only Download (2MB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (572kB)

Abstract

Seiring dengan meningkatnya kasus pembobolan data melalui teknik injeksi SQL (SQL Injection), puncaknya pada akhir Juni 2024 diduga data milik Kementerian Komunikasi dan Informatika telah bocor dan dibandrol dengan harga sekitar Rp. 1,9 miliar yang berisikan data pribadi meliputi NIK dan detail rekening perbankan yang hingga saat ini, belum ada langkah tegas dari Kominfo terkait permasalahan ini. Dalam upaya serangan SQL Injection ini, peneliti mengembangkan sistem deteksi SQL Injection menggunakan model Random Forest dengan preprocessing menggunakan Bag of Words serta hyperparameter tuning. Model ini dipilih karena kemampuannya dalam menangani data yang kompleks dan menghasilkan model yang kuat. Penelitian ini melibatkan serangkaian percobaan untuk menguji performa Random Forest dalam mendeteksi query SQL Injection dan query normal. Hasil penelitian menunjukkan bahwa Random Forest efektif dalam mendeteksi SQL Injection, dengan performa yang cukup baik setelah dilakukan modifikasi dari beberapa aspek hyperparameter seperti n_estimators, max_depth, min_samples_split, min_samples_leaf, max_features, dan random_state dengan menghasilkan akurasi sebesar 0.969, Presisi sebesar 1.0, F1-Score sebesar 0.952, dan Recall sebesar 0.908. Penyesuaian hyperparameter ini terbukti mampu mencegah overfitting dan meningkatkan akurasi model secara keseluruhan. Dengan demikian, dapat disimpulkan bahwa Random Forest dapat digunakan secara efektif untuk mendeteksi serangan SQL Injection melalui query yang muncul. Semoga dari penelitian ini dapat dikembangkan lagi dengan beberapa pendekatan-pendekatan canggih lainnya.

Actions (login required)

View Item