Deteksi Serangan SQL Injection Berbasis Offensive AI pada Aplikasi Web Menggunakan NLP dan SVM untuk Pertahanan Proaktif

Abstrak

Dengan meningkatnya risiko siber dan pesatnya transformasi digital, keamanan aplikasi web telah menjadi isu utama. Salah satu metode serangan paling mematikan untuk situs web yang menargetkan integritas basis data adalah SQL Injection (SQLi). Mengandalkan firewall berbasis aturan saja seringkali tidak cukup bagi pengelola sistem keamanan untuk menangkal serangan berbasis AI yang lebih canggih atau berbahaya. Tujuan proyek ini adalah untuk membangun pertahanan proaktif dengan mengembangkan mekanisme deteksi dini untuk serangan SQL injection pada aplikasi web menggunakan metode Support Vector Machine (SVM) dan pendekatan Natural Language Processing (NLP). Lima langkah membentuk metodologi penelitian: mengumpulkan dataset kueri SQL berbahaya dan tidak berbahaya; mempersiapkan teks (dekode dan tokenisasi); pembobotan fitur menggunakan TF-IDF; melatih model SVM; dan mengevaluasi kinerja model. Temuan menunjukkan bahwa model yang dibuat dapat mengkategorikan pola serangan dengan akurasi 98% dan presisi 0,99. Temuan ini dapat berfungsi sebagai dasar untuk sistem pertahanan siber otomatis yang menghentikan kebocoran data penting sebelum aktivitas berbahaya terjadi. Kesimpulannya, dengan tingkat akurasi rata-rata melebihi 97%, kombinasi NLP dan SVM telah menunjukkan efektivitas yang tinggi sebagai solusi keamanan cerdas.