Penerapan Explainable Artificial Intelligence untuk Deteksi Smishing: Perbandingan Model Machine Learning, Ensemble Learning, dan Deep Learning

Vincent Emmanuel By, Mark (2026) Penerapan Explainable Artificial Intelligence untuk Deteksi Smishing: Perbandingan Model Machine Learning, Ensemble Learning, dan Deep Learning. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (548kB)
	PDF BAB_I.pdf Download (216kB)
	PDF BAB_II.pdf Download (268kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (484kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (789kB)
	PDF BAB_V.pdf Restricted to Registered users only Download (207kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (208kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (569kB)
	Archive (ZIP) 00000065468_2521_LembarPengesahan.pdf Restricted to Registered users only Download (65kB)

Abstract

Serangan smishing (SMS phishing) semakin meningkat seiring perkembangan komunikasi digital dan berpotensi menyebabkan kebocoran informasi sensitif pengguna. Penelitian ini bertujuan untuk mengembangkan model deteksi smishing berbasis machine learning dan deep learning. Tahapan penelitian meliputi preprocessing teks, rekayasa fitur, pembobotan Term Frequency-Inverse Document Frequency TF-IDF, pembagian data, pemodelan menggunakan Logistic Regression, Random Forest, dan Bidirectional Long Short-Term Memory (BiLSTM), serta evaluasi menggunakan metrik accuracy, precision, recall, dan F1-score. Untuk meningkatkan interpretabilitas model, digunakan pendekatan Explainable Artificial Intelligence (XAI) melalui SHAP dan LIME. Hasil penelitian menunjukkan bahwa seluruh model mampu mendeteksi pesan smishing dengan baik, dengan Logistic Regression menghasilkan kinerja terbaik melalui nilai accuracy, precision, recall, dan F1-score sebesar 98,41%. Temuan ini menunjukkan bahwa model yang diusulkan berpotensi menjadi solusi yang efektif dan mudah diinterpretasikan untuk mendeteksi serangan smishing.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Vincent Emmanuel By, Mark (00000065468)
Contributors:	Wahjudi, Januar (0330017201)
Keywords:	BiLSTM, Explainable Artificial Intelligence, Klasifikasi Teks, LIME, Logistic Regression, Random Forest, SHAP, Smishing.
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	21 Jul 2026 07:58
URI:	https://kc.umn.ac.id/id/eprint/47788

Actions (login required)

View Item