Penelitian ini bertujuan mengoptimalkan deteksi SQLi melalui kombinasi teknik ekstraksi fitur N-gram dan TF-IDF serta penerapan algoritma Stacked Generalization sebagai metode ensemble learning, dengan Decision Tree dan Support Vector Machine (SVM) sebagai base learner serta Logistic Regression sebagai meta-learner. Penelitian dilakukan menggunakan metodologi CRISP-DM pada dataset RbSQLi yang diambil sebanyak 10.000 baris dari data asli menggunakan rumus Slovin. Ekstraksi fitur dilakukan dengan mengombinasikan parameter N-gram dan analyzer TF-IDF, kemudian dioptimasi menggunakan RandomizedSearchCV. Hasil pengujian menunjukkan konfigurasi fitur terbaik diperoleh pada analyzer berbasis karakter dengan ngram_range (2,3) dan max_features 5000, menghasilkan F1- score Macro sebesar 99,74% pada data training. Pada data testing, model Stacked Generalization mencapai F1-score Macro sebesar 99%, mengungguli model tunggal pembanding, yaitu SVM (99%), Decision Tree (90%), dan Logistic Regression (96%). Model terbaik selanjutnya diimplementasikan ke dalam aplikasi web berbasis Flask dan PHP sebagai simulasi sistem deteksi dini SQLi secara real- time. Hasil penelitian menunjukkan bahwa kombinasi N-gram, TF-IDF, dan Stacked Generalization mampu meningkatkan akurasi dan kemampuan generalisasi model dalam mendeteksi serangan SQLi dibandingkan algoritma klasifikasi tunggal.

S12679

INF 0201 2026

Bekasi

Tersedia