eprintid: 33079
rev_number: 17
eprint_status: archive
userid: 12
dir: disk0/00/03/30/79
datestamp: 2026-09-30 04:22:22
lastmod: 2026-09-30 04:22:22
status_changed: 2026-09-30 04:22:22
type: thesis
metadata_visibility: show
creators_name: Nadzirullah, Muh. Ilham
creators_nim: 22.11.4818
contributors_name: Aminuddin, Afrig
corp_creators: Universitas AMIKOM Yogyakarta
title: DETEKSI WEBSITE PHISHING BERDASARKAN
ANALISIS STRUKTUR URL MENGGUNAKAN
ALGORITMA MACHINE LEARNING
ispublished: pub
subjects: 000.000.000A
subjects: 000.000.005
divisions: if
full_text_status: restricted
keywords: Website Phishing, Struktur URL, Machine Learning, LightGBM,
XGBoost, Random Forest, URL Structure.
abstract: 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.
date: 2026-04-21
date_type: published
institution: Universitas AMIKOM Yogyakarta
department: Fakultas Ilmu Komputer
thesis_type: bachelor
thesis_name: skripsi
citation:   Nadzirullah, Muh. Ilham  (2026) DETEKSI WEBSITE PHISHING BERDASARKAN ANALISIS STRUKTUR URL MENGGUNAKAN ALGORITMA MACHINE LEARNING.  S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.   
document_url: https://eprints.amikom.ac.id/id/eprint/33079/1/COVER.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/33079/2/BAB%20I.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/33079/3/BAB%20II.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/33079/4/BAB%20III.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/33079/5/BAB%20IV.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/33079/7/BAB%20V.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/33079/8/Daftar%20Pustaka%20dan%20Lampiran.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/33079/9/Publikasi.pdf