DETEKSI WEBSITE PHISHING BERDASARKAN ANALISIS STRUKTUR URL MENGGUNAKAN ALGORITMA MACHINE LEARNING

Nadzirullah, Muh. Ilham (2026) DETEKSI WEBSITE PHISHING BERDASARKAN ANALISIS STRUKTUR URL MENGGUNAKAN ALGORITMA MACHINE LEARNING. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf - Published Version Download (835kB)
	Text (BAB I) BAB I.pdf - Published Version Download (351kB)
	Text (BAB II) BAB II.pdf - Published Version Restricted to Registered users only Download (1MB)
	Text (BAB III) BAB III.pdf - Published Version Restricted to Registered users only Download (379kB)
	Text (BAB IV) BAB IV.pdf - Published Version Restricted to Registered users only Download (1MB)
	Text (BAB V) BAB V.pdf - Published Version Download (155kB)
	Text (DAFTAR PUSTAKA - LAMPIRAN) Daftar Pustaka dan Lampiran.pdf - Published Version Restricted to Registered users only Download (129kB)
	Text (PUBLIKASI) Publikasi.pdf - Published Version Restricted to Repository staff only Download (762kB)

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.

Actions (login required)

View Item