%0 Thesis
%9 S1 - Sarjana
%A Nadzirullah, Muh. Ilham
%A Universitas AMIKOM Yogyakarta,
%B Fakultas Ilmu Komputer
%D 2026
%F universitasamikomyogyakarta:33079
%I Universitas AMIKOM Yogyakarta
%K Website Phishing, Struktur URL, Machine Learning, LightGBM,  XGBoost, Random Forest, URL Structure.
%T DETEKSI WEBSITE PHISHING BERDASARKAN  ANALISIS STRUKTUR URL MENGGUNAKAN  ALGORITMA MACHINE LEARNING
%U https://eprints.amikom.ac.id/id/eprint/33079/
%X Perkembangan teknologi informasi telah meningkatkan penggunaan   internet secara luas, namun juga diikuti dengan meningkatnya ancaman keamanan  siber, salah satunya website phishing. Website phishing merupakan situs palsu yang  dirancang menyerupai situs resmi untuk memperoleh informasi sensitif pengguna,  seperti username, password, dan data finansial. Metode deteksi konvensional  seperti blacklist dan rule-based detection dinilai kurang efektif dalam mendeteksi  URL phishing baru, sehingga diperlukan pendekatan yang lebih adaptif melalui  penerapan machine learning.    Penelitian ini bertujuan untuk mengembangkan model deteksi website  phishing berbasis analisis struktur URL menggunakan algoritma machine learning.  Algoritma yang digunakan dalam penelitian ini adalah XGBoost, LightGBM, dan  Random Forest. Metode penelitian meliputi pengumpulan dataset, exploratory data  analysis (EDA), data preprocessing, pembagian dataset dengan rasio 80:20,  pelatihan model, evaluasi performa, serta analisis perbandingan antar algoritma.  Evaluasi model dilakukan menggunakan metrik Accuracy, Precision, Recall, F1Score,  dan  AUC-ROC  serta  divalidasi  dengan  metode  5-Fold  Cross  Validation.    Hasil penelitian menunjukkan bahwa seluruh algoritma memiliki performa  yang sangat baik dalam mendeteksi website phishing. Algoritma LightGBM  memperoleh hasil terbaik dengan accuracy sebesar 97,01%, precision 96,82%,  recall 97,86%, F1-score 97,33%, dan AUC-ROC 99,69%. Berdasarkan hasil  tersebut, LightGBM dinilai sebagai model paling optimal dalam mendeteksi  website phishing berbasis analisis struktur URL.