Analisis Perbandingan Algoritma Machine Learning untuk Deteksi Url Phishing dengan Pengembangan Aplikasi Berbasis Web pada PT Bank Central Asia, Tbk

Owen Kohar, Michael (2024) Analisis Perbandingan Algoritma Machine Learning untuk Deteksi Url Phishing dengan Pengembangan Aplikasi Berbasis Web pada PT Bank Central Asia, Tbk. MBKM thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (799kB)
	PDF BAB_I.pdf Download (951kB)
	PDF BAB_II.pdf Download (1MB)
	PDF BAB_III.pdf Download (664kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (2MB)
	PDF BAB_V.pdf Download (634kB)
	PDF DAFTAR_PUSTAKA.pdf Download (668kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (940kB)
	PDF LEMBAR_PENGESAHAN.pdf Download (52kB)

Abstract

Penelitian ini berfokus pada ancaman keamanan siber berupa serangan phishing yang semakin meningkat, khususnya di sektor perbankan. PT Bank Central Asia, Tbk (BCA) menjadi salah satu target utama serangan ini karena basis pelanggan yang luas dan data keuangan yang sensitif. Serangan phishing melalui URL palsu dapat menyebabkan kerugian finansial signifikan dan merusak kepercayaan nasabah terhadap layanan perbankan digital. Oleh karena itu, diperlukan sistem deteksi URL phishing berbasis machine learning untuk membantu memitigasi risiko tersebut. Metode CRISP-DM digunakan dalam penelitian ini untuk memandu pengembangan sistem, meliputi pemahaman bisnis, analisis data, persiapan data, pemodelan, evaluasi, dan implementasi. Data yang digunakan berupa kumpulan URL hasil interaksi digital di BCA, yang telah melalui proses seleksi untuk mengidentifikasi URL phishing dan non-phishing. Beberapa algoritma machine learning, seperti Support Vector Machine (SVM), Random Forest, Decision Tree, dan Naïve Bayes, diterapkan dan dibandingkan berdasarkan akurasi dan kemampuan mendeteksi URL phishing. Hasil penelitian menunjukkan bahwa algoritma SVM memiliki performa terbaik dengan Akurasi pelatihan adalah 99.82%, dan akurasi pengujian adalah 99.88%, diikuti oleh Decision Tree Akurasi pelatihan (Training Accuracy) adalah 99.26%, dan akurasi pengujian (Testing Accuracy) adalah 98.77%, Random Forest Akurasi pelatihan adalah 99.08%, dan akurasi pengujian adalah 98.65%, dan Naïve Bayes Akurasi pelatihan adalah 92.99%, dan akurasi pengujian adalah 92.51%. Sistem ini kemudian diimplementasikan dalam antarmuka berbasis web menggunakan Flask, yang memudahkan pengguna untuk memvalidasi URL mencurigakan secara real- time.

Item Type:	Thesis (MBKM)
Keywords:	deteksi URL, keamanan siber, machine learning, phishing, sistem berbasis web
Subjects:	?? T70 ??
Divisions:	Faculty of Engineering & Informatics > Information System
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	07 Jan 2025 12:56
Last Modified:	07 Jan 2025 12:56
URI:	https://kc.umn.ac.id/id/eprint/35455

Actions (login required)

View Item