Deteksi Website Phishing Berbasis URL Menggunakan Pendekatan Random Forest dan Decision Tree

Gaudiamo Halim, Louis (2026) Deteksi Website Phishing Berbasis URL Menggunakan Pendekatan Random Forest dan Decision Tree. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (997kB)
	PDF BAB_I.pdf Download (281kB)
	PDF BAB_II.pdf Download (2MB)
	PDF BAB_III.pdf Download (543kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Download (211kB)
	PDF DAFTAR_PUSTAKA.pdf Download (236kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (1MB)

Abstract

Serangan phishing merupakan teknik rekayasa sosial yang menjadi salah satu ancaman keamanan siber terbesar yang bertujuan mencuri informasi sensitif dengan memalsukan situs web agar terlihat asli. Tantangan utama sistem deteksi saat ini adalah bergantung pada analisis isi halaman (content-based) sering kali membebani sistem karena membutuhkan daya komputasi tinggi dan waktu proses yang lama. Untuk mengatasi kendala tersebut, penelitian ini menawarkan solusi yang lebih ringan dan cepat, yaitu sistem pendeteksi phishing hanya dengan menganalisis karakteristik URL (lexical-based features) dan reputasi domain, tanpa perlu mengunduh konten halaman. Dengan memanfaatkan dataset publik dari Kaggle yang mencakup 11.430 sampel URL yang terdiri dari 89 kolom fitur, studi ini menguji ketangguhan algoritma Random Forest melawan model dasar Decision Tree. Melalui serangkaian pengujian fitur leksikal dan optimasi hyperparameter tuning untuk hasil maksimal. Hasil eksperimen membuktikan keunggulan Random Forest, yang berhasil mencatat akurasi (accuracy) hingga 95.51%, dengan presisi (precision) 95.51%, recall 95.43%, dan F1-score 95.47%, hasil yang lebih stabil dibandingkan Decision Tree di angka 92.52%. Temuan ini menegaskan bahwa kombinasi fitur sederhana seperti umur domain dan status indeks pencarian sudah cukup untuk membangun pertahanan anti-phishing yang cepat dan akurat.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Gaudiamo Halim, Louis (00000062782)
Contributors:	Yakub, Sy Yuliani
Keywords:	Karakteriktik URL, Keamanan Siber, Machine Learning, Phishing, Random Forest
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	29 Jan 2026 08:02
URI:	https://kc.umn.ac.id/id/eprint/44386

Actions (login required)

View Item