WordPress merupakan salah satu Content Management System (CMS) yang paling banyak digunakan dalam pengembangan website, sehingga pemanfaatan plugin pihak ketiga menjadi hal yang umum untuk memperluas fungsionalitas sistem. Namun, plugin yang menerima dan memproses input pengguna sering kali menjadi celah keamanan, khususnya terhadap serangan Cross-Site Scripting (XSS). Serangan XSS memungkinkan penyerang menyisipkan skrip berbahaya yang dieksekusi pada sisi klien sehingga dapat menyebabkan pencurian data, pengambilalihan sesi pengguna, serta gangguan terhadap integritas sistem.

Penelitian ini bertujuan untuk mendeteksi serangan XSS pada plugin WordPress menggunakan pendekatan machine learning dengan algoritma Random Forest dan Support Vector Machine (SVM). Penelitian difokuskan pada tiga plugin WordPress yang merepresentasikan vektor input berbeda yaitu Contact Form 7, Ultimate Member, dan wpDiscuz. Dataset yang digunakan terdiri dari dataset primer yang diperoleh melalui perancangan testbed WordPress pada lingkungan localhost dengan merekam lalu lintas HTTP menggunakan Wireshark, serta dataset sekunder yang berasal dari repositori publik Kaggle. Data yang dikumpulkan kemudian melalui tahapan pra-pemrosesan meliputi pembersihan data dan normalisasi case folding, serta ekstraksi lima fitur numerik dari payload yaitu payload_length, entropy, special_char_ratio, alpha_ratio, dan avg_word_length. Optimasi hyperparameter dilakukan menggunakan Grid Search dengan cross-validation 5 lipatan untuk memperoleh parameter terbaik pada masing-masing algoritma.

Model Random Forest dan SVM dilatih dan diuji secara terpisah pada dataset primer yang berjumlah 891 data dan dataset sekunder yang berjumlah 10.913 data untuk mengklasifikasikan payload ke dalam kelas XSS dan Normal. Evaluasi kinerja model dilakukan menggunakan confusion matrix dengan metrik accuracy, precision, recall, F1-score, balanced accuracy, macro average, AUC-PR, dan ROC-AUC. Hasil penelitian menunjukkan bahwa algoritma Random Forest secara konsisten mengungguli algoritma SVM pada seluruh metrik evaluasi di kedua dataset. Pada dataset primer, Random Forest mencapai accuracy sebesar 95.53% dan ROC-AUC sebesar 0.9810, sedangkan pada dataset sekunder mencapai accuracy sebesar 98.26% dan ROC-AUC sebesar 0.9984. Hasil tersebut membuktikan bahwa pendekatan machine learning khususnya algoritma Random Forest efektif dalam mendeteksi serangan XSS pada plugin WordPress.