Deteksi Serangan Cross-Site Scripting (XSS) menggunakan Pendekatan Hybrid TF-IDF dan Bert Embeddings

Abstract

Serangan Cross-Site Scripting (XSS) secara konsisten mendominasi daftar kerentanan aplikasi web; lebih dari 8.000 entri Common Vulnerabilities and Exposures (CVE) aktif terkait CWE-79 tercatat sepanjang 2025. Sistem deteksi berbasis pola terbukti tidak memadai menghadapi payload yang menerapkan teknik obfuscation berlapis. Penelitian ini mengusulkan pendekatan hybrid yang menggabungkan fitur statistik TF-IDF berbasis karakter n-gram (1,3) berdimensi 5.000 dengan representasi semantik BERT embeddings (token [CLS]) berdimensi 768 melalui operasi feature concatenation, menghasilkan vektor fitur berdimensi 5.768 sebagai masukan classifier Logistic Regression. Eksperimen dilakukan pada dataset XSS_dataset.csv berisi 13.686 sampel berlabel (7.373 XSS, 6.313 Benign) dengan pembagian stratified 80:20. Evaluasi pada testing set (n=2.738) menghasilkan accuracy 99,78%, precision 99,80%, recall 99,80%, F1-score 99,80%, dan ROC-AUC 1,0000. Pendekatan hybrid secara konsisten melampaui konfigurasi TF-IDF tunggal (F1=99,66%) maupun BERT tunggal (F1=99,73%). Analisis confusion matrix mengidentifikasi hanya enam kesalahan klasifikasi, tiga false negative di antaranya berasal dari payload yang disembunyikan dalam base64-sebuah temuan yang mengonfirmasi batas kemampuan pipeline preprocessing berbasis URL decoding dan HTML entity decoding. Model diimplementasikan sebagai prototipe XSSentinel melalui Flask REST API dan antarmuka React. Penelitian ini membuktikan bahwa penggabungan representasi statistik dan semantik menghasilkan sistem deteksi XSS yang akurat dan efisien tanpa bergantung pada arsitektur deep learning yang berat. Penelitian ini relevan dengan SDG 9 (infrastruktur digital yang andal), SDG 16 (perlindungan data dan keamanan siber), dan SDG 8 (produktivitas ekonomi digital).