Text
Deteksi Serangan Cross-site Scripting (XSS) menggunakan Pendekatan Model Deep Learning sebagai Web Application Firewall (WAF)
Abstrak: Adanya transformasi digitalisasi layanan di berbagai sektor yang semula dilakukan secara tradisional beralih menjadi layanan berbasis web yang memudahkan akses kapanpun dan dimanapun oleh pengguna. Namun, sejalan dengan perkembangan tersebut, berbagai ancaman keamanan semakin kompleks dimana salah satunya adalah serangan Cross-site Scripting (XSS). Berdasarkan OWASP TOP 10, XSS menduduki peringkat sepuluh besar selama lebih dari satu dekade. Ini artinya XSS menjadi serangan yang paling umum terjadi dan perlu mendapatkan perhatian khusus pada dunia keamanan siber. Pencegahan terhadap serangan XSS dapat dilakukan dengan menerapkan Web Application Firewall (WAF). Model deteksi yang dikembangkan dalam penelitian ini menggunakan pendekatan model deep learning Long-Short Term Memory (LSTM) untuk mendeteksi serangan XSS. Pengumpulan data pada penelitian ini diperoleh melalui sumber terbuka berupa Cross-site Scripting XSS dataset for Deep Learning dan XSSDataSets Payloads yang selanjutnya digabungkan untuk menghasilkan dataset baru dengan tujuan memperoleh kualitas yang lebih baik sebagai input data training. Preprocessing dataset yang diusulkan menggunakan teknik lowercasing dan stopwords. Pemodelan dibangun dengan dua model pembanding yaitu CNN-LSTM dan LSTM-attention serta satu model usulan yaitu CNN-LSTM-attention. Ketiga model dibandingkan dan hasil terbaik berhasil diperoleh model CNN-LSTM-attention dengan nilai akurasi sebesar 0.99826 dan F1-score 0.997840. Selanjutnya model terbaik diterapkan sebagai WAFxss yang terintegrasi dengan web application.
No copy data
No other version available