SISTEM REKOMENDASI WEB AUTOMATION VULNERABILITY SCANNER BERBASIS LARGE LANGUAGE MODEL (LLM) DAN CONTENT-BASED FILTERING PADA SOFTWARE HOUSE NEXTY LABS

Abstract

Keamanan aplikasi web menjadi aspek penting dalam pengembangan sistem, seiring meningkatnya ancaman serangan siber. Permasalahan yang dihadapi adalah proses analisis hasil vulnerability scanning yang masih dilakukan secara manual sehingga kurang efisien dan sulit dipahami karena data bersifat teknis. Penelitian ini bertujuan untuk mengembangkan sistem rekomendasi berbasis Large Language Model (LLM) dan Content-Based Filtering untuk meningkatkan efisiensi analisis serta menghasilkan rekomendasi mitigasi yang relevan. Metode yang digunakan meliputi vulnerability scanning menggunakan Nuclei dan WhatWeb terhadap 12 domain, preprocessing data, implementasi LLM melalui Ollama, ekstraksi fitur menggunakan TF-IDF, serta perhitungan kemiripan menggunakan Cosine Similarity. Hasil penelitian menunjukkan bahwa sistem mampu menghasilkan rekomendasi mitigasi dengan nilai similarity tertinggi mencapai 0.5431 dan rata-rata similarity sebesar 0.50. Selain itu, penggunaan LLM mampu menyederhanakan data teknis menjadi informasi terstruktur sehingga meningkatkan efisiensi proses analisis dibandingkan metode manual. Dengan demikian, pendekatan yang diusulkan terbukti efektif dalam mendukung pengambilan keputusan pada proses vulnerability scanning