Repositori Institusi

Politeknik Siber dan Sandi Negara

  • Home
  • Information
  • News
  • Help
  • Librarian
  • Member Area
  • Select Language :
    Arabic Bengali Brazilian Portuguese English Espanol German Indonesian Japanese Malay Persian Russian Thai Turkish Urdu

Search by :

ALL Author Subject ISBN/ISSN Advanced Search

Last search:

{{tmpObj[k].text}}
No image available for this title
Bookmark Share

Text

Deteksi Serangan Cross-site Scripting (XSS) menggunakan Pendekatan Model Deep Learning sebagai Web Application Firewall (WAF)

Setiyo Cahyono - Personal Name; Girinoto - Personal Name; Raden Budiarto Hadiprakoso - Personal Name; Khoerina Sa\'adah - Personal Name;

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.


Availability

No copy data

Detail Information
Series Title
--
Call Number
2024 KHO d
Publisher
Bogor : Politeknik Siber dan Sandi Negara., 2024
Collation
xvii, 43 hlm
Language
Indonesia
ISBN/ISSN
--
Classification
Rekayasa Keamanan Siber
Content Type
-
Media Type
-
Carrier Type
-
Edition
--
Subject(s)
-
Specific Detail Info
-
Statement of Responsibility
Khoerina Sa'adah
Other version/related

No other version available

File Attachment
No Data
Comments

You must be logged in to post a comment

Repositori Institusi
  • Information
  • Services
  • Librarian
  • Member Area

About Us

Search

start it by typing one or more keywords for title, author or subject

Keep SLiMS Alive Want to Contribute?

© 2025 — Senayan Developer Community

Powered by SLiMS
Select the topic you are interested in
  • Computer Science, Information & General Works
  • Philosophy & Psychology
  • Religion
  • Social Sciences
  • Language
  • Pure Science
  • Applied Sciences
  • Art & Recreation
  • Literature
  • History & Geography
Icons made by Freepik from www.flaticon.com
Advanced Search
Where do you want to share?