Klasifikasi Phishing Url Pada Website Berbasis Metode Ensemble

Bahrul Ulum, . (2025) Klasifikasi Phishing Url Pada Website Berbasis Metode Ensemble. Masters thesis, Universitas Pamulang.

	Text COVER.pdf Restricted to Registered users only Download (1MB)
	Text BAB I.pdf Restricted to Registered users only Download (110kB)
	Text BAB II.pdf Restricted to Registered users only Download (878kB)
	Text BAB III.pdf Restricted to Registered users only Download (112kB)
	Text BAB IV.pdf Restricted to Registered users only Download (664kB)
	Text BAB V.pdf Restricted to Registered users only Download (16kB)
	Text JURNAL.pdf Restricted to Registered users only Download (358kB)

Abstract

Masyarakat yang sebelumnya melakukan aktivitas secara fisik (offline) secara perlahan ditinggalkan dan digantikan dengan daring (online) melalui berbagai platform digital. Dengan demikian pengunaan internet menjadi bahan pokok dalam kehidupan sehari-hari, yang dimana terdapat ancaman-ancaman didunia maya yang mengintai saat berselancar di internet salah satunya adalah Phishing. Phishing adalah ancaman siber yang bertujuan mencuri informasi sensitif melaui URL palsu yang menyerupai situs resmi. Serangan ini dapat menyebabkan kerugian signifikan bagi individu maupun organisasi. Oleh karena itu, deteksi URL phishing menjadi langkah penting dalam memperkuat keamanan siber. Penelitian ini bertujuan untuk mengklasifikasikan URL phishing, saat terdeteksi maka dilakukan attack type category untuk mengetahui seberapa besar ancaman dan jenis serangan yang terjadi. Untuk system klasifikasi dan deteksi penulis menggunakan metode ensemble learning, yang menggabungkan keunggulan beberapa algoritma pembelajaran mesin untuk meningkatkan akurasi dan ketahanan model. Algoritma yang digunakan adalah CatBoost, XGBoost, dan LightGBM, yang dikenal efektif dalam menangani data kompleks serta meminimalkan risiko overfitting. Dataset yang digunakan adalah PhiUSIIL Phishing URL Dataset dari UCI Machine Learning Repository. Data diolah melalui preprocessing untuk menghapus atribut tidak relevan, diikuti pembagian data menggunakan teknik train-test split dengan rasio 80:20. Evaluasi dilakukan menggunakan metrik akurasi dan ROC AUC. Hasil penelitian menunjukkan bahwa XGBoost memiliki performa terbaik dengan akurasi 97,54% dan ROC AUC 93,05%. CatBoost mencapai akurasi 97,46% dan ROC AUC 92,94%, sementara LightGBM memperoleh akurasi 96,99% dan ROC AUC 91,85%. Semua model menunjukkan performa tinggi, dengan XGBoost unggul di sebagian besar metrik. Penelitian ini membuktikan efektivitas algoritma ensemble dalam mendeteksi URL phishing. Hasilnya diharapkan dapat mendukung pengembangan sistem deteksi phishing yang lebih akurat dan efisien, sekaligus memperkuat keamanan siber terhadap ancaman yang terus berkembang.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Ensemble, Analisis, Phising URL, PhiUSIIL Phishing URL Dataset
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions:	Faculty of Engineering, Science and Mathematics > School of Electronics and Computer Science
Depositing User:	miko
Date Deposited:	04 Jul 2025 03:16
Last Modified:	04 Jul 2025 08:13
URI:	http://repository.unpam.ac.id/id/eprint/16748

Actions (login required)

View Item