Melola Discovery

← Melola Discovery

Open access Journal SINTA 2

Implementasi Deteksi Intrusi Aplikasi Web Berbasis Supervised Machine Learning: Studi Kasus LMS STT Terpadu Nurul Fikri

Decode: Jurnal Pendidikan Teknologi Informasi · Vol. 5 No. 3 (2025) · pp. 888–902

DOI
10.51454/decode.v5i3.1313
ISSN
2775-1813, 2775-2984
Published
2025-10-20
Publisher
Universitas Muhammadiyah Kendari
License
creativecommons.org/licenses/by-sa/4.0/

Abstract

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.

Collaboration network of the authors

6 authors · 15 co-authorship links

Hover or tap a name to highlight its co-authors. Double-click to open the author's page.

  • Affiliation unknown
  • Different organisations
  • Same organisation
  • Affiliation unknown
  • Thicker line = more joint articles · bigger circle = more articles
Show as table
Co-authorOrganisationJoint articles

Affiliations come from OpenAlex; journal OAI-PMH metadata carries none. Authors without an OpenAlex ID are matched by name, which can merge or split people.

This record comes from Crossref (what the publisher deposited), because the journal's own OAI-PMH endpoint could not be harvested.

Metadata source: Crossref API (cadangan, berdasarkan ISSN) https://api.crossref.org/journals/2775-1813/works, first harvested 26 Oct 2026, last seen 15 Nov 2026.
Metadata as oai_dc, converted from Crossref
<oai_dc:dc xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/"><dc:title>Implementasi Deteksi Intrusi Aplikasi Web Berbasis Supervised Machine Learning: Studi Kasus LMS STT Terpadu Nurul Fikri</dc:title><dc:creator>Saptono, Henry</dc:creator><dc:creator>Achmar, Yuda Fatahillah</dc:creator><dc:creator>Hadi, Hendro Sasongko</dc:creator><dc:creator>Shiroth, Salman Fathy</dc:creator><dc:creator>Aria, Lambang Ramadhian Putra</dc:creator><dc:creator>Alfarizqi, Muhamad Masayid</dc:creator><dc:description>&lt;jats:p&gt;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.&lt;/jats:p&gt;</dc:description><dc:publisher>Universitas Muhammadiyah Kendari</dc:publisher><dc:date>2025-10-20</dc:date><dc:type>info:eu-repo/semantics/article</dc:type><dc:format>application/pdf</dc:format><dc:identifier>https://doi.org/10.51454/decode.v5i3.1313</dc:identifier><dc:identifier>10.51454/decode.v5i3.1313</dc:identifier><dc:source>Decode: Jurnal Pendidikan Teknologi Informasi; Vol 5 No 3 (2025); 888-902</dc:source><dc:source>2775-1813</dc:source><dc:source>2775-2984</dc:source><dc:relation>https://journal.umkendari.ac.id/decode/article/download/1313/713</dc:relation><dc:rights>https://creativecommons.org/licenses/by-sa/4.0/</dc:rights></oai_dc:dc>