Pengembangan Model Hybrid Untuk Deteksi Serangan XSS Menggunakan Algoritma Random Forest dan BERT

Bendesa, Anggaradiva (2026) Pengembangan Model Hybrid Untuk Deteksi Serangan XSS Menggunakan Algoritma Random Forest dan BERT. Undergraduate thesis, Universitas Pendidikan Ganesha.

[img] Text (COVER)
2115101067_Cover.pdf
Download (1MB)
[img] Text (ABSTRAK)
2115101067_ Abstrak.pdf
Download (434kB)
[img] Text (BAB 1 PENDAHULUAN)
2115101067_BAB I.pdf
Download (486kB)
[img] Text (BAB 2 KAJIAN TEORI)
2115101067_ BAB II.pdf
Restricted to Repository staff only
Download (1MB) | Request a copy
[img] Text (BAB 3 METODOLOGI PENELITIAN)
2115101067_BAB III.pdf
Restricted to Repository staff only
Download (930kB) | Request a copy
[img] Text (BAB 4 HASIL DAN PEMBAHASAN)
2115101067_BAB IV.pdf
Restricted to Repository staff only
Download (3MB) | Request a copy
[img] Text (BAB 5 PENUTUP)
2115101067_ BAB V.pdf
Restricted to Repository staff only
Download (459kB) | Request a copy
[img] Text (DAFTAR PUSTAKA)
2115101067_Daftar Pustaka.pdf
Download (472kB)
[img] Text (LAMPIRAN)
2115101067_Lampiran.pdf
Download (1MB)

Abstract

Aplikasi web hingga kini masih rentan terhadap serangan Cross-Site Scripting (XSS), yang terjadi ketika validasi input yang lemah memungkinkan penyerang menyisipkan dan mengeksekusi skrip berbahaya pada sisi pengguna. Mendeteksi serangan semacam ini bukan hal yang sederhana, mengingat payload XSS kerap muncul dalam variasi bentuk—mulai dari event handler dan JavaScript URI, hingga konten yang di-encode atau di-obfuscate untuk melewati mekanisme filter. Penelitian ini berupaya menjawab tantangan tersebut dengan membangun model deteksi hybrid yang menggabungkan Random Forest, yang dilatih menggunakan vektor TF-IDF berbasis karakter beserta fitur statistik yang dirancang secara manual, dengan BERT, yang disesuaikan melalui fine-tuning untuk tugas klasifikasi terkait. Model hybrid akhir menggabungkan skor kepercayaan dari kedua model untuk menghasilkan satu keputusan klasifikasi. Pada data uji, Random Forest dan BERT masing-masing memperoleh akurasi 99,21%, setara dengan model hybrid pada tingkat akurasi yang sama, meskipun model hybrid menunjukkan keunggulan tipis pada nilai F1-score (99,43%) dan recall dibandingkan kedua model secara individual. Hasil ini mendukung argumen bahwa penggabungan representasi statistik dan kontekstual dapat menjadi teknik pendukung yang efektif untuk deteksi payload XSS.

Item Type: Thesis (Undergraduate)
Uncontrolled Keywords: XSS, Random Forest, BERT, Model Hybrid, Deteksi Payload
Subjects: Q Science > QA Mathematics > QA75 Electronic computers. Computer science
T Technology > T Technology (General)
Divisions: Fakultas Teknik dan Kejuruan > Jurusan Teknik Informatika > Program Studi Ilmu Komputer (S1)
Depositing User: Anggaradiva Bendesa
Date Deposited: 11 Aug 2026 01:31
Last Modified: 11 Aug 2026 01:31
URI: http://repo.undiksha.ac.id/id/eprint/32450

Actions (login required)

View Item View Item