Penelitian ini bertujuan untuk membandingkan model Machine Learning yang efektif dalam mendeteksi serangan SQL Injection dalam sistem keamanan. Dataset yang digunakan dikumpulkan dari sumber daya Kaggle yang dipublikasikan oleh Syed Saqlain Hussain Shah, yang merupakan dataset dengan upvote tertinggi dalam kategori SQL Injection. Model-model yang dikembangkan meliputi Support Vector Machine (SVM), K-Nearest Neighbor (KNN), dan Logistic Regression (LR). Proses penelitian meliputi pemisahan data menjadi data latih sebesar 70% dan data uji sebesar 30%, pelatihan model, pengujian efektivitas model, serta implementasi langkah pencegahan terhadap serangan SQL Injection. Hasil penelitian menunjukkan model SVM yang memiliki tingkat akurasi sebesar 99.82%, presisi sebesar 99.88% dan recall (Sensitivity) sebesar 99.34%. KNN mendapatkan tingkat akurasi sebesar 79.28%, presisi sebesar 98.38% dan recall (Sensitivity) sebesar 73.31%. LR mendapatkan tingkat akurasi sebesar 98.99%, presisi sebesar 99.94% dan recall (Sensitivity) sebesar 98.70%. Dengan menggunakan pendekatan Machine Learning, penelitian ini memberikan kontribusi dalam meningkatkan keamanan sistem terhadap serangan SQL Injection.
Kata Kunci: SQL Injection, Support Vector Machine, K-Nearest Neighbor, Logistic Regression, Machine Learning