Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Decode: Jurnal Pendidikan Teknologi Informasi
Muhamad Masayid Alfarizqi
Teknik Informatika Sekolah Tinggi Teknologi Terpadu Nurul Fikri
Computer Science & IT Control & Systems Engineering Education Languange, Linguistic, Communication & Media Other

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Implementasi Deteksi Intrusi Aplikasi Web Berbasis Supervised Machine Learning: Studi Kasus LMS STT Terpadu Nurul Fikri Henry Saptono; Yuda Fatahillah Achmar; Hendro Sasongko Hadi; Salman Fathy Shiroth; Lambang Ramadhian Putra Aria; Muhamad Masayid Alfarizqi
Decode: Jurnal Pendidikan Teknologi Informasi Vol. 5 No. 3: NOVEMBER 2025
Publisher : Program Studi Pendidikan Teknologi Infromasi UMK

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51454/decode.v5i3.1313

Abstract

Sistem deteksi intrusi merupakan komponen penting dalam menjaga keamanan aplikasi web, terutama pada platform pembelajaran daring seperti Learning   Management   System (LMS). Penelitian ini bertujuan mengimplementasikan sistem deteksi intrusi berbasis supervised machine learning untuk mengidentifikasi serangan SQL  Injection dan Cross-Site  Scripting (XSS) melalui analisis payload HTTP yang diterima oleh LMS Moodle. Model yang digunakan adalah algoritma Random Forest dengan representasi fitur berbasis (Term Frequency–Inverse Document Frequency) TF-IDF pada level karakter. Data pelatihan berasal dari gabungan dataset publik dan log aktivitas LMS internal yang telah melalui proses preprocessing serta masking data sensitif. Arsitektur sistem dirancang menggunakan plugin middleware pada LMS untuk menangkap log secara real-time, Redis sebagai message broker, dan Flask-RQ sebagai worker pemrosesan model, serta dashboard Grafana-Loki untuk visualisasi hasil deteksi. Hasil pengujian menunjukkan bahwa model Random Forest mencapai akurasi 99,94% dengan nilai presisi, recall, dan AUC yang sangat tinggi, menunjukkan kemampuan deteksi yang andal terhadap serangan SQL  Injection dan XSS. Sistem ini mampu beroperasi secara real-time tanpa mengganggu kinerja LMS, sehingga efektif diterapkan sebagai solusi keamanan siber pada lingkungan pendidikan. Implementasi ini berpotensi dikembangkan lebih lanjut untuk mendeteksi jenis serangan web lainnya secara adaptif.
Co-Authors Hendro Sasongko Hadi Lambang Ramadhian Putra Aria Salman Fathy Shiroth Saptono, Henry Yuda Fatahillah Achmar