Aplikasi web menjadi target utama serangan siber karena sifatnya yang terbuka dan
terhubung langsung dengan internet sementara mekanisme keamanan tradisional
seperti WAF berbasis signature memiliki keterbatasan dalam mendeteksi serangan
zero-day. Penelitian ini mengusulkan sistem Intrusion Prevention System (IPS)
berbasis Reinforcement Learning menggunakan algoritma Proximal Policy
Optimization (PPO) dan Asynchronous Advantage Actor-Critic (A3C) untuk
mendeteksi dan merespons serangan web secara otomatis. Data dikumpulkan
melalui simulasi serangan terhadap DVWA dengan total 36.859 baris data
mencakup 15 kelas label kemudian dilakukan undersampling menjadi 33.444
sampel ekstraksi 29 fitur numerik dan normalisasi MinMaxScaler. Model
diintegrasikan ke VM Ubuntu Server sebagai IPS aktif yang melakukan capture lalu
lintas HTTP real-time menggunakan Tshark, dengan pemblokiran IP otomatis via
iptables setelah threshold 5 kali deteksi tercapai serta mekanisme auto-unblock
setelah 5 menit. Hasil evaluasi menunjukkan PPO mencapai accuracy 98,70% F1-
score 98,13% ROC-AUC weighted 0,9986 dan MCC 0,9722 sedangkan A3C
mencapai accuracy 95,98% F1-score 94,10% ROC-AUC weighted 0,9804 dan
MCC 0,9143. PPO secara konsisten mengungguli A3C pada seluruh metrik
membuktikan bahwa sistem IPS berbasis Reinforcement Learning mampu
mendeteksi serta merespons serangan web secara aktif dan otomatis.

Sistem Deteksi Serangan Web Dengan Menggunakan Metode Proximal Policy Optimization

MUHTADIN

Sistem deteksi serangan web berbasis Reinforcement Learning menggunakan algoritma Proximal Policy Optimization (PPO) untuk mendeteksi dan memblokir serangan secara real-time pada aplikasi web.

Sistem Deteksi Serangan Web Dengan Menggunakan Metode Proximal Policy Optimization

Creators & Authors