DETEKSI WEBSITE PHISHING BERBASIS URL MENGGUNAKAN PENDEKATAN MACHINE LEARNING

Wibowo, Nur Fauzi (2025) DETEKSI WEBSITE PHISHING BERBASIS URL MENGGUNAKAN PENDEKATAN MACHINE LEARNING. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (1MB)
	Text (BAB I) BAB I.pdf Download (228kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (553kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (492kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (903kB)
	Text (BAB V) BAB V.pdf Download (45kB)
	Text (DAFTAR PUSTAKA-LAMPIRAN) Daftar Pustaka dan Lampiran.pdf Restricted to Registered users only Download (635kB)
	Archive (SOURCE CODE) Sourcecode - 21.83.0650.zip Restricted to Repository staff only Download (356kB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (1MB)

Abstract

Seiring dengan meningkatnya penggunaan internet, ancaman serangan siber seperti phishing juga semakin marak terjadi. Phishing merupakan metode penipuan yang memanfaatkan teknik rekayasa sosial dan teknologi untuk mencuri informasi sensitif pengguna melalui situs web palsu yang menyerupai situs resmi. Penelitian ini bertujuan untuk mendeteksi situs phishing menggunakan pendekatan machine learning dengan membandingkan performa tiga algoritma klasifikasi, yaitu Support Vector Machine (SVM), Random Forest (RF), dan Naive Bayes (NB). Dataset yang digunakan berasal dari sumber publik di Kaggle dan terdiri dari 11.430 URL yang telah diklasifikasikan sebagai phishing dan non-phishing. Proses penelitian meliputi tahap preprocessing data, seleksi fitur menggunakan analisis korelasi, pembagian data menjadi data latih dan data uji, pelatihan model, serta evaluasi menggunakan metrik accuracy, precision, recall, F1-score, dan confusion matrix. Hasil evaluasi menunjukkan bahwa algoritma Random Forest memberikan performa terbaik dengan nilai accuracy, precision, recall, dan F1-score masingmasing sebesar 0,96. Algoritma SVM mencatatkan nilai accuracy sebesar 0,93, precision 0,92, recall 0,94, dan F1-score 0,93, sedangkan Naive Bayes memperoleh accuracy sebesar 0,85, precision 0,91, recall 0,78, dan F1-score 0,84. Berdasarkan hasil tersebut, algoritma Random Forest dinilai paling efektif untuk diterapkan dalam sistem deteksi phishing berbasis URL.

Actions (login required)

View Item