CAESARIO, Justicio (2025) Identifikasi dan Klasifikasi Serangan Siber pada Eldiru Unsoed dengan Algoritma Random Forest. Skripsi thesis, Universitas Jenderal Soedirman.
![[img]](http://repository.unsoed.ac.id/style/images/fileicons/other.png) |
PDF (Cover)
COVER-Justicio Caesario-H1D021055-Skripsi-2025.pdf Download (265kB) |
|
PDF (Legalitas)
LEGALITAS-Justicio Caesario-H1D021055-Skripsi-2025.pdf Restricted to Repository staff only Download (1MB) |
|
PDF (Abstrak)
ABSTRAK-Justicio Caesario-H1D021055-Skripsi-2025.pdf Download (534kB) |
|
PDF (BabI)
BAB I-Justicio Caesario-H1D021055-Skripsi-2025.pdf Restricted to Repository staff only until 20 August 2026. Download (637kB) |
|
PDF (BabII)
BAB II-Justicio Caesario-H1D021055-Skripsi-2025.pdf Restricted to Repository staff only until 20 August 2026. Download (520kB) |
|
PDF (BabIII)
BAB III-Justicio Caesario-H1D021055-Skripsi-2025.pdf Restricted to Repository staff only until 20 August 2026. Download (1MB) |
|
PDF (BabIV)
BAB IV-Justicio Caesario-H1D021055-Skripsi-2025.pdf Restricted to Repository staff only Download (3MB) |
|
PDF (BabV)
BAB V-Justicio Caesario-H1D021055-Skripsi-2025.pdf Download (577kB) |
|
PDF (DaftarPustaka)
DAFTAR PUSTAKA-Justicio Caesario-H1D021055-Skripsi-2025.pdf Download (449kB) |
Abstract
Sistem informasi akademik seperti Eldiru Unsoed merupakan aset digital vital yang rentan terhadap serangan siber, sementara Web Application Firewall konvensional berbasis aturan menunjukkan kelemahan deteksi. Sistem standar ModSecurity dengan Core Rule Set (CRS) terbukti hanya memiliki recall 5.34%, yang berarti gagal mengidentifikasi mayoritas serangan aktual dan menciptakan celah keamanan. Penelitian ini merancang sistem deteksi berbasis algoritma Random Forest untuk mengatasi masalah tersebut. Data pelatihan utama berasal dari log server Nginx milik sistem Eldiru Unsoed periode Desember 2024 hingga Januari 2025, yang kemudian divalidasi performanya menggunakan dataset publik CSIC 2010. Berdasarkan analisis log tersebut, model dikembangkan dengan merekayasa fitur hibrida yang mencakup analisis leksikal, konteks aturan CRS, dan N-gram untuk mengklasifikasikan lalu lintas web. Hasil evaluasi menunjukkan model Machine Learning-Random Forest (ML-RF) yang diusulkan meningkatkan recall dari 5.34% menjadi 72.00% dan F1-Score dari 10.10% menjadi 80.00%. Peningkatan metrik ini, dengan tetap menjaga presisi pada 91.00%, menunjukkan bahwa integrasi machine learning menghasilkan mekanisme pertahanan siber yang lebih seimbang dan andal untuk menjawab tantangan deteksi ancaman modern dalam melindungi aset digital.
| Item Type: | Thesis (Skripsi) |
|---|---|
| Nomor Inventaris: | H25281 |
| Uncontrolled Keywords: | Aplikasi Web, Keamanan Siber, Machine Learning, Random Forest, Web Application Firewall |
| Subjects: | C > C693 Computer security D > D18 Data processing Information systems |
| Divisions: | Fakultas Teknik > S1 Teknik Informatika |
| Depositing User: | Mr Justicio Caesario |
| Date Deposited: | 20 Aug 2025 01:54 |
| Last Modified: | 20 Aug 2025 01:54 |
| URI: | http://repository.unsoed.ac.id/id/eprint/36150 |
Actions (login required)
 |
View Item |