Analisis Kinerja Deep Learning Berbasis Convolutional Neural Network (CNN) untuk deteksi Dini SQl Injection Studi Kasus: Datacenter Diskominfo Binjai

Abstrak

Serangan SQL Injection (SQLi) merupakan ancaman kritis bagi keamanan layanan publik berbasis web di lingkungan pemerintahan. Metode deteksi tradisional sering kali mengalami keterbatasan dalam menangani payload yang disamarkan (obfuscated) dan memerlukan rekayasa fitur manual yang kompleks. Penelitian ini bertujuan untuk menganalisis kinerja arsitektur Deep Learning berbasis 1D-Convolutional Neural Network (1D-CNN) untuk deteksi dini serangan SQLi, dengan studi kasus pada Datacenter Diskominfo Kota Binjai. Metodologi penelitian mencakup pemrosesan dataset sebanyak 19.078 baris log akses server web riil yang dibagi menggunakan metode Hold-out Validation dengan proporsi 80% data latih dan 20% data uji. Arsitektur 1D-CNN dirancang untuk melakukan pemrosesan teks sekuensial guna mengekstrak fitur leksikal lokal secara otomatis langsung dari log mentah. Hasil evaluasi menunjukkan performa klasifikasi yang sangat superior dengan tingkat Akurasi 100%, Presisi 99%, dan Recall 97% pada identifikasi serangan. Penelitian ini menyimpulkan bahwa model 1D-CNN sangat handal dan efisien untuk diimplementasikan sebagai sistem peringatan dini (early warning system) tanpa mengganggu kinerja operasional layanan publik di lingkungan Pemerintah Kota Binjai.