"Skripsi ini bertujuan untuk mengembangkan model klasifikasi teks berbasis
Convolutional Neural Network (CNN) dan BERT
Language Model untuk mendeteksi SQL
Injection pada Apache
Web Server. Skripsi ini melibatkan pengumpulan dan pemrosesan dataset, literasi teori dasar, perancangan sistem, implementasi sistem, dan evaluasi kinerja model
deep learning. Dengan menggunakan dataset publik dari Kaggle, model yang dikembangkan berhasil mendeteksi SQL
Injection dengan akurasi yang tinggi. Hasil eksperimen menunjukkan bahwa model BERT memberikan performa yang lebih baik dibandingkan dengan CNN dalam hal
accuracy, precision, recall, dan
F1
-score. Implementasi teknik
deep learning pada sistem SQL
Injection Detection juga mempermudah
log file analysis pada Apache
Web Server. Kesimpulan dari skripsi ini adalah berhasilnya pengembangan sistem SQL
Injection Detection berbasis
Convolutional Neural Network (CNN) dan BERT
Language Model dengan akurasi masing-masing sebesar 95.99% dan 99.84%.
This undergraduate thesis aims to develop a text classification model based on Convolutional Neural Network (CNN) and BERT Language Model to detect SQL Injection on the Apache Web Server. The research involves data collection and preprocessing, basic theory literature review, system design, system implementation, and evaluation of deep learning model performance. By using a public dataset from Kaggle, the developed model successfully detects SQL Injection with high accuracy. The experimental results show that the BERT model outperforms CNN in terms of accuracy, precision, recall, and F1-score. The implementation of deep learning techniques in the SQL Injection Detection system also simplifies log file analysis on the Apache Web Server. The conclusion of this undergraduate thesis is the successful development of an SQL Injection detection system based on Convolutional Neural Network (CNN) and BERT Language Model with accuracies of 95.99% and 99.84% respectively."
