TY  - THES
Y1  - 2026/02/25/
KW  - URL phishing
KW  -  Decision Tree
KW  -  Adaptive Boosting
KW  -  Gradient
Boosting
KW  -  Machine Learning.
UR  - https://eprints.amikom.ac.id/id/eprint/31862/
AV  - restricted
M1  - bachelor
ID  - universitasamikomyogyakarta31862
N2  - Seiring dengan meningkatnya penggunaan internet, ancaman serangan siber
berupa URL phishing semakin berkembang dan berpotensi mencuri informasi
sensitif pengguna. Untuk mengatasi permasalahan tersebut, pendekatan machine
learning dapat digunakan untuk mengklasifikasikan URL ke dalam kategori
phishing dan legitimate. Penelitian ini bertujuan untuk meningkatkan performa
algoritma Decision Tree melalui penerapan metode ensemble learning berbasis
boosting, yaitu Adaptive Boosting dan Gradient Boosting.
Dataset yang digunakan terdiri dari dua kelas yaitu phishing dan legitimate
yang telah melalui tahap preprocessing dan transformasi ke dalam fitur numerik
agar dapat diproses oleh model klasifikasi. Tahapan penelitian meliputi pembagian
data menjadi training, validasi, dan testing, proses pelatihan model, penyesuaian
parameter seperti learning rate, serta evaluasi menggunakan metrik akurasi, presisi,
recall, dan F1-score.
Hasil penelitian menunjukkan bahwa model Decision Tree tanpa boosting
memperoleh akurasi sebesar 0,94 dengan nilai presisi, recall, dan F1-score sebesar
0,94. Setelah diterapkan Adaptive Boosting, akurasi meningkat menjadi 0,97
dengan peningkatan yang konsisten pada seluruh metrik evaluasi. Model Gradient
Boosting juga menghasilkan akurasi sebesar 0,97 dengan performa evaluasi yang
seimbang. Hasil ini menunjukkan bahwa metode boosting efektif dalam
meningkatkan akurasi dan kemampuan generalisasi Decision Tree dalam
mendeteksi URL phishing.
TI  - MODEL KLASIFIKASI URL PHISHING MENGGUNAKAN
DECISION TREE DENGAN ADAPTIVE 
DAN GRADIENT BOOSTING
A1  - Saputra, Krisna Yogi
PB  - Universitas AMIKOM Yogyakarta
ER  -