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

Keamanan aplikasi web menjadi salah satu aspek penting dalam pengembangan sistem informasi seiring meningkatnya ancaman serangan siber. Proses vulnerability scanning menggunakan tools seperti Nuclei dan WhatWeb mampu membantu mendeteksi kerentanan serta mengidentifikasi teknologi yang digunakan pada website. Namun, hasil scanning yang dihasilkan masih berupa data teknis sehingga membutuhkan proses analisis manual yang cukup kompleks dan membutuhkan waktu. Oleh karena itu, diperlukan sistem yang mampu melakukan interpretasi hasil scanning serta memberikan rekomendasi mitigasi secara otomatis dan relevan.
Penelitian ini bertujuan untuk mengembangkan sistem rekomendasi vulnerability scanning berbasis Large Language Model (LLM) dan Content-Based Filtering pada Software House NEXTY LABS. Metode penelitian yang digunakan adalah pendekatan eksperimental dengan metode kuantitatif. Tahapan penelitian meliputi pengumpulan data vulnerability menggunakan Nuclei dan WhatWeb terhadap 12 domain website, preprocessing data, implementasi Large Language Model menggunakan Ollama untuk melakukan analisis dan klasifikasi vulnerability, ekstraksi fitur menggunakan TF-IDF, serta pengukuran tingkat kemiripan menggunakan Cosine Similarity untuk menentukan rekomendasi mitigasi.
Hasil penelitian menunjukkan bahwa sistem mampu melakukan analisis vulnerability scanning dan menghasilkan rekomendasi mitigasi berdasarkan nilai similarity tertinggi. Berdasarkan hasil pengujian, sistem berhasil menganalisis 12 domain dengan status analyzed sebesar 100%. Hasil perhitungan Cosine Similarity menghasilkan nilai similarity tertinggi sebesar 0,4123 pada rekomendasi penambahan Security Header HTTP. Selain itu, penggunaan LLM mampu mengubah data teknis hasil scanning menjadi informasi yang lebih terstruktur berupa ringkasan vulnerability, tingkat severity, dampak risiko, serta rekomendasi mitigasi. Hasil tersebut menunjukkan bahwa integrasi LLM dan Content-Based Filtering dapat membantu meningkatkan efisiensi proses analisis vulnerability scanning.