Claim Missing Document
Check
Articles

Found 2 Documents
Search

Optimasi Model Support Vector Machine dengan Particle Swarm Optimization untuk Mendeteksi Serangan Injeksi SQL (Studi Kasus : PT. Naisha Inspirasi Muslimah) Arnap, Adam; Kusrini
JNANALOKA Vol. 05 No. 02 September Tahun 2024
Publisher : Lentera Dua Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36802/jnanaloka.2024.v5-no02-%p

Abstract

PT. Naisha Inspirasi Muslimah merupakan perusahaan yang mengoperasikan toko online untuk penjualan produk tekstil dan pernah mengalami kehilangan data akibat serangan injeksi SQL. Untuk meningkatkan manajemen keamanan komputer, PT. Naisha melakukan tata kelola teknologi informasi dengan menggunakan ISACA Design Toolkit COBIT 2019. Penelitian ini melakukan studi literatur mengenai deteksi injeksi SQL dan menemukan bahwa beberapa penelitian sebelumnya menggunakan model Support Vector Machine (SVM) yang dioptimasi dengan Particle Swarm Optimization (PSO). Pada penelitian terdahulu, optimasi model SVM dengan PSO dapat meingkatkan nilai performa model. Penelitian ini akan menggunakan model SVM yang akan dioptimasi dengan PSO untuk menangani dataset berupa kueri-kueri SQL.  Proses vektorisasi dengan Term Frequency - Inverse Document Frequency (TF-IDF) juga diterapkan untuk memberikan bobot pada setiap token. Hasil penelitian menunjukkan bahwa nilai optimal yang ditemukan adalah Best C sebesar 593,0497396215296 dan Best gamma sebesar 0,07795813722739078. Dengan parameter tersebut, model SVM+PSO berhasil mencapai akurasi sebesar 0,99 dan F1 Score sebesar 0,99, yang secara signifikan lebih tinggi dibandingkan dengan model SVM biasa yang hanya mencapai akurasi 0,79 dan F1 Score 0,73. Hasil ini menunjukkan bahwa optimasi SVM dengan PSO secara substansial meningkatkan kinerja model SVM dalam mendeteksi injeksi SQL, sehingga dapat menjadi solusi yang efektif untuk meningkatkan keamanan sistem informasi di PT. Naisha Inspirasi Muslimah.
Enhancing SQL Injection Attack Detection Using Naïve Bayes and SMOTE Method on Imbalanced Datasets Arnap, Adam; Kusrini
Journal of Artificial Intelligence and Engineering Applications (JAIEA) Vol. 4 No. 1 (2024): October 2024
Publisher : Yayasan Kita Menulis

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59934/jaiea.v4i1.559

Abstract

SQL injection attack detection is a crucial aspect of cybersecurity, considering the potential damage that such attacks can cause. This study aims to evaluate the effectiveness of the Naive Bayes model in detecting SQL injection attacks on an imbalanced dataset. To address the data imbalance issue, the SMOTE (Synthetic Minority Over-sampling Technique) method was applied. The study consists of two phases: first, training and testing the Naive Bayes model on the original dataset without SMOTE, and second, training and testing on the dataset with SMOTE applied. The results indicate that the Naive Bayes model on the dataset without SMOTE achieved an accuracy of 0.9948, F1 Score of 0.9885, Precision of 0.9906, and Recall of 0.9946. After applying SMOTE, the model's performance improved significantly, with an accuracy of 0.9950, F1 Score of 0.9950, Precision of 0.9950, and Recall of 0.9950. This improvement suggests that SMOTE effectively enhanced class balance in the dataset, improving the model's ability to detect both malicious and safe queries. The study recommends exploring other resampling methods, feature engineering analysis, and testing on more diverse datasets as well as implementation in real-world environments for future research.