Deteksi Deteksi Hibrida Serangan SEO Poisoning dan SQL Injection pada CMS Kampus Menggunakan Support Vector Machine Berbasis Natural Language Processing

Abstract

Situs web perguruan tinggi sering menjadi target utama serangan siber tipe SEO Poisoning dan SQL Injection karena memiliki reputasi domain yang tinggi. Metode keamanan konvensional berbasis tanda tangan sering kali gagal mendeteksi serangan hibrida yang menyamarkan konten promosi judi dan obat-obatan terlarang di dalam kolom komentar akademik. Penelitian ini bertujuan untuk membangun sistem deteksi otomatis menggunakan pendekatan Machine Learning berbasis Natural Language Processing (NLP). Metode yang diusulkan adalah Support Vector Machine (SVM) dengan kernel Linear yang dikombinasikan dengan ekstraksi fitur TF-IDF untuk membedakan antara trafik normal, spam judi/obat, dan injeksi kode berbahaya. Eksperimen dilakukan menggunakan dataset riil dari log server kampus yang telah melalui proses penyeimbangan kelas. Hasil pengujian menunjukkan bahwa algoritma SVM memiliki kinerja superior dengan tingkat akurasi mencapai 96.20%, mengungguli metode Naive Bayes yang hanya mencapai 88.61%. Secara spesifik, SVM mampu mendeteksi serangan SQL Injection dan Judi Online dengan nilai Recall sempurna, membuktikan bahwa pendekatan pemisahan hyperplane pada ruang vektor berdimensi tinggi sangat efektif untuk menangani pola serangan siber yang kompleks.