MODEL KLASIFIKASI URL PHISHING MENGGUNAKAN DECISION TREE DENGAN ADAPTIVE DAN GRADIENT BOOSTING

Saputra, Krisna Yogi (2026) MODEL KLASIFIKASI URL PHISHING MENGGUNAKAN DECISION TREE DENGAN ADAPTIVE DAN GRADIENT BOOSTING. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf - Published Version Download (1MB)
	Text (BAB I) BAB I.pdf - Published Version Download (231kB)
	Text (BAB II) BAB II.pdf - Published Version Restricted to Registered users only Download (834kB)
	Text (BAB III) BAB III.pdf - Published Version Restricted to Registered users only Download (712kB)
	Text (BAB IV) BAB IV.pdf - Published Version Restricted to Registered users only Download (1MB)
	Text (BAB V) BAB V.pdf - Published Version Download (86kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf - Published Version Restricted to Registered users only Download (142kB)
	Archive (SOURCE CODE) Sourcecode - 22.83.0795.zip - Published Version Restricted to Repository staff only Download (163kB)
	Text (PUBLIKASI) Publikasi.pdf - Published Version Restricted to Repository staff only Download (896kB)

Abstract

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.

Actions (login required)

View Item