KLASIFIKASI SERANGAN CROSS-SITE SCRIPTING (XSS) MENGGUNAKAN MODEL DEEP LEARNING BERBASIS TRANSFORMER

Abstract

Cross-Site Scripting (XSS) merupakan salah satu jenis serangan siber yang sering terjadi pada aplikasi web dan dapat menyebabkan pencurian data pengguna, manipulasi konten, serta pengambilalihan sesi pengguna. Permasalahan yang muncul adalah metode deteksi tradisional berbasis aturan (rule-based) memiliki keterbatasan dalam mengenali variasi payload serangan yang terus berkembang dan semakin kompleks. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan model klasifikasi serangan Cross-Site Scripting menggunakan pendekatan deep learning berbasis arsitektur Transformer. Metode yang digunakan memanfaatkan model BERT (Bidirectional Encoder Representations from Transformers) untuk menangkap hubungan kontekstual antar-token dalam payload. Dataset yang digunakan terdiri dari payload benign dan malicious yang melalui tahapan preprocessing, tokenisasi, serta pembagian data menjadi data latih dan data uji. Hasil eksperimen menunjukkan bahwa model Transformer berbasis BERT mampu mengklasifikasikan payload XSS secara efektif dengan performa yang lebih baik dibandingkan model deep learning konvensional, sehingga berpotensi meningkatkan kemampuan sistem keamanan aplikasi web dalam mendeteksi serangan XSS secara otomatis dan adaptif.