Optimasi Model Support Vector Machine dengan Particle Swarm Optimization untuk Mendeteksi Serangan Injeksi SQL (Studi Kasus : PT. Naisha Inspirasi Muslimah)
Isi Artikel Utama
Abstrak
PT. Naisha Inspirasi Muslimah merupakan perusahaan yang mengoperasikan toko online untuk penjualan produk tekstil dan pernah mengalami kehilangan data akibat serangan injeksi SQL. Untuk meningkatkan manajemen keamanan komputer, PT. Naisha melakukan tata kelola teknologi informasi dengan menggunakan ISACA Design Toolkit COBIT 2019. Penelitian ini melakukan studi literatur mengenai deteksi injeksi SQL dan menemukan bahwa beberapa penelitian sebelumnya menggunakan model Support Vector Machine (SVM) yang dioptimasi dengan Particle Swarm Optimization (PSO). Pada penelitian terdahulu, optimasi model SVM dengan PSO dapat meingkatkan nilai performa model. Penelitian ini akan menggunakan model SVM yang akan dioptimasi dengan PSO untuk menangani dataset berupa kueri-kueri SQL. Proses vektorisasi dengan Term Frequency - Inverse Document Frequency (TF-IDF) juga diterapkan untuk memberikan bobot pada setiap token. Hasil penelitian menunjukkan bahwa nilai optimal yang ditemukan adalah Best C sebesar 593,0497396215296 dan Best gamma sebesar 0,07795813722739078. Dengan parameter tersebut, model SVM+PSO berhasil mencapai akurasi sebesar 0,99 dan F1 Score sebesar 0,99, yang secara signifikan lebih tinggi dibandingkan dengan model SVM biasa yang hanya mencapai akurasi 0,79 dan F1 Score 0,73. Hasil ini menunjukkan bahwa optimasi SVM dengan PSO secara substansial meningkatkan kinerja model SVM dalam mendeteksi injeksi SQL, sehingga dapat menjadi solusi yang efektif untuk meningkatkan keamanan sistem informasi di PT. Naisha Inspirasi Muslimah.
##plugins.themes.bootstrap3.displayStats.downloads##
Rincian Artikel
Artikel ini berlisensi Creative Commons Attribution 4.0 International License.
Hak cipta pada setiap artikel adalah milik penulis, dan penulis mengakui bahwa Jnanaloka sebagai pihak yang mempublikasikan pertama kali dengan lisensi Creative Commons Attribution (CC BY). Lisensi ini mengijinkan untuk, Berbagi yakni menyalin dan menyebarluaskan kembali materi ini dalam bentuk atau format apapun; dan Adaptasi yakni menggubah, mengubah, dan membuat turunan dari materi iniuntuk kepentingan apapun, termasuk kepentingan komersial dengan ketentuan Atribusi
Cara Mengutip
Referensi
D. Darmawan dan A. F. Wijaya, “Analisis dan desain tata kelola teknologi informasi meng- gunakan framework cobit 2019 pada pt. xyz,” Journal of Computer and Information Sys- tems Ampera, vol. 3, no. 1, pp. 1–17, 2022.
M. A. Saputra dan M. R. Redo, “Penerapan framework cobit 2019 untuk perancangan tata kelola teknologi informasi pada perguruan tinggi,” Journal of science and social research, vol. 4, no. 3, pp. 352–364, 2021.
A. Intan, A. Setiawan, dan M. R. Maengkom, “Studi literatur terhadap peran dan manfaat cobit 2019 dalam tata kelola teknologi informasi di indonesia,” Innovative: Journal Of Social Science Research, vol. 3, no. 5, pp. 1681–1692, 2023.
T. O. T. . . team, “introduction: Welcome to the owasp top 10 - 2021,” 2021, accessed: Jul. 18, 2024. [Online]. Available: https://owasp.org/Top10/A00_2021_Introduction/
D. P. Purbawa, A. J. Ulhaq, G. Ikhsan, A. M. Shiddiqi, D. Ary, dan M. Shiddiqi, “An enhanced sql injection detection using ensemble method,” JUTI: Jurnal Ilmiah Teknologi Informasi, vol. 21, no. 1, pp. 1–9, 2023.
M. Hasan, Z. Balbahaith, dan M. Tarique, “Detection of sql injection attacks: a machine learning approach,” in 2019 International Conference on Electrical and Computing Technologies and Applications (ICECTA). IEEE, 2019, pp. 1–6.
P. Tang, W. Qiu, Z. Huang, H. Lian, dan G. Liu, “Detection of sql injection based on artificial neural network,” Knowledge-Based Systems, vol. 190, p. 105528, 2020.
N. Sakron, G. Firmansyah, H. Akbar, dan B. Tjahjono, “Audit of information technology governance on school operational cost flow in smkn west jakarta using cobit 2019,” Jurnal Indonesia Sosial Sains, vol. 4, no. 09, pp. 763–772, 2023.
W. Rankothge, M. Randeniya, dan V. Samaranayaka, “Identification and mitigation tool for sql injection attacks (sqlia),” in 2020 IEEE 15th International Conference on Industrial and Information Systems (ICIIS). IEEE, 2020, pp. 591–595.
A. S. Pramono dan E. Pramono, “Deteksi serangan sql injection menggunakan hidden markov model,” J. Tecnoscienza, vol. 5, no. 2, p. 243, 2021.
M. Alghawazi, D. Alghazzawi, dan S. Alarifi, “Deep learning architecture for detecting sql injection attacks based on rnn autoencoder model,” Mathematics, vol. 11, no. 15, p. 3286, 2023.
W. Zhang, Y. Li, X. Li, M. Shao, Y. Mi, H. Zhang, dan G. Zhi, “Deep neural network-based sql injection detection method,” Security and Communication Networks, vol. 2022, no. 1, p. 4836289, 2022.
F. K. Alarfaj dan N. A. Khan, “Enhancing the performance of sql injection attack detectionthrough probabilistic neural networks,” Applied Sciences, vol. 13, no. 7, p. 4365, 2023.
H. B. Jatmiko, N. T. Kurniadi, dan D. Maulana, “Optimasi naïve bayes dengan parti- cle swarm optimization untuk analisis sentimen formula e-jakarta,” Journal Automation Computer Information System, vol. 2, no. 1, pp. 22–30, 2022.
I. G. N. E. Susena, M. T. Furqon, dan R. C. Wihandika, “Optimasi parameter support vector machine (svm) dengan particle swarm optimization (pso) untuk klasifikasi pendonor darah dengan dataset rfmtc,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Kom- puter, vol. 2, no. 12, pp. 7278–7284, 2018.
A. Nurkholis, Z. Abidin, H. Sulistiani et al., “Optimasi parameter support vector machine berbasis algoritma firefly pada data opini film,” Jurnal RESTI (Rekayasa Sistem Dan
Teknologi Informasi), vol. 5, no. 5, pp. 904–910, 2021.
P. Arsi, R. Wahyudi, R. Waluyo et al., “Optimasi svm berbasis pso pada analisis senti- men wacana pindah ibu kota indonesia,” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 5, no. 2, pp. 231–237, 2021.
B. W. Rauf, “Sentimen analisis pertambangan di konawe utara dengan metode naïve bayes,” in Prosiding Seminar Nasional Pemanfaatan Sains dan Teknologi Informasi, vol. 1, no. 1, 2023, pp. 97–102.
P. br Sihotang, F. D. br Sitanggang, N. Azriansyah, dan E. Indra, “Penerapan natural language processing untuk analisis sentimen terhadap aplikasi streaming,” Jurnal Ilmiah Betrik, vol. 14, no. 02 AGUSTUS, pp. 273–282, 2023.
W. Rahayu, D. Jollyta, A. Hajjah, Y. N. Marlim, Y. Desnelita et al., “Synthetic minori- ty oversampling technique (smote) for boosting the accuracy of c4. 5 algorithm model,” Journal of Artificial Intelligence and Engineering Applications (JAIEA), vol. 3, no. 3, pp. 624–630, 2024.
A. Muneer, R. F. Ali, A. Alghamdi, S. M. Taib, A. Almaghthawi, dan E. A. Ghaleb, “Predi- cting customers churning in banking industry: A machine learning approach,” Indonesian Journal of Electrical Engineering and Computer Science, vol. 26, no. 1, p. 539, 2022.