<![CDATA[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.]]>
Copyrights © 2025
