Skip to content

Web Defacement Detection Using Deep Learning Algorithm

Defacement

Aplikasi yang dikembangkan dengan bahasa pemrograman Python (Flask Framework) untuk mendeteksi Web Defacement menggunakan algoritma Deep Learning.

Web defacement adalah tindakan yang dilakukan oleh seseorang atau sekelompok orang untuk mengubah tampilan atau konten sebuah situs web tanpa izin dari pemilik atau pengelola situs tersebut. Dampak dari serangan web defacement dapat berupa terganggunya operasi situs web hingga kerugian finansial bagi pemilik web tersebut. Salah satu cara untuk mendeteksi web defacement adalah dengan menggunakan deep learning. Penelitian ini menerapkan model deep learning Bi-LSTM, GRU, dan BERT dalam mendeteksi serangan web defacement. Penelitian ini dimulai dengan melakukan pengumpulan data dari sumber terbuka, berupa defaced website dan normal website. Tahap selanjutnya dilakukan penyesuaian data agar dataset dapat diolah oleh model, seperti folding. Kemudian dilakukan pemodelan dengan model yang telah dipilih. Setelah dilakukan pemodelan, dilakukan pengujian dan evaluasi dengan menggunakan confusion matrix sebagai bahan pertimbangan untuk menentukan model terbaik. Model yang memperoleh nilai confusion matrix tertinggi di antara kedua model lainnya adalah BERT dengan akurasi sebesar 0,993. Selanjutnya, model ini diimplementasikan ke dalam website yang dibangun menggunakan framework Flask.

Judul penelitian

Deteksi Serangan Web Defacement Menggunakan Deep Learning.

Implementasi

Berikut ini hasil dari pengujian ketiga model Bi-LSTM, GRU, dan BERT dalam deteksi web defacement:

Hasil benchmark

Model terbaik yang telah dihasilkan kemudian diintegrasikan ke dalam proses klasifikasi pada sebuah website yang dibangun menggunakan framework Flask. Dalam konteks ini, pengguna merupakan seorang pengembang web yang memiliki keinginan untuk melakukan pemantauan terhadap website pribadinya. Tujuan utamanya adalah menerima notifikasi secara real-time ketika website yang dimilikinya mengalami serangan web defacement. Integrasi ini memungkinkan pengembang web untuk secara aktif mengawasi keamanan website miliknya dan merespons dengan cepat dalam mengatasi ancaman yang mungkin muncul. Berikut merupakan deployment diagram pendeteksian pada website implementasi yang dijelaskan pada gambar di bawah ini.

Deployment Diagram

Tangkapan Layar

  1. Halaman depan
    Halaman depan

  2. Hasil pemindaian
    Halaman hasil

  3. Notifikasi pada Bot Telegram
    Bot telegram 1 Bot telegram 2

Peneliti

  • Shakira Putri Ayunda

Supervisor

  • Nurul Qomariasih
  • R. Budiarto Hadiprakoso
  • Herman Kabetta

Publikasi

S. P. Ayunda, N. Qomariasih, R. B. Hadiprakoso and H. Kabetta, "Comparative Analysis of Deep Learning Models for Web Defacement Detection Based on Textual Context," 2023 IEEE International Conference on Cryptography, Informatics, and Cybersecurity (ICoCICs), Bogor, Indonesia, 2023, pp. 287-291, doi: 10.1109/ICoCICs58778.2023.10276697