Perbandingan Performa Decision Tree dan Random Forest dalam Deteksi Phishing berdasarkan Karakteristik URL

Ezeekiel Dyarsa Amarta, Adrianus (2026) Perbandingan Performa Decision Tree dan Random Forest dalam Deteksi Phishing berdasarkan Karakteristik URL. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (585kB)
	PDF BAB_I.pdf Download (370kB)
	PDF BAB_II.pdf Download (835kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (506kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (956kB)
	PDF BAB_V.pdf Restricted to Registered users only Download (314kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (325kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (975kB)
	Archive (ZIP) 00000071229_2521_LembarPengesahan.pdf Restricted to Registered users only Download (64kB)

Abstract

Perkembangan era digital saat ini telah meningkatkan penggunaan situs web dalam berbagai aktivitas, tetapi juga memperluas peluang terjadinya kejahatan siber. Salah satu kejahatan yang marak terjadi saat ini adalah phishing. Serangan ini memanfaatkan URL palsu yang dirancang menyerupai situs resmi untuk memperoleh informasi sensitif pengguna. Oleh karena itu, diperlukan model klasifikasi yang mampu membedakan URL phishing dan legitimate secara akurat. Penelitian ini bertujuan membandingkan performa algoritma Decision Tree dan Random Forest dalam mendeteksi URL phishing berdasarkan karakteristik URL, serta menganalisis kasus false negative yang dihasilkan oleh masing-masing model. Penelitian menggunakan dataset PhiUSIIL Phishing URL yang terdiri atas 235.795 sampel URL. Data dibagi menjadi data latih dan data uji dengan rasio 80:20 menggunakan Stratified Train-Test Split. Tahapan preprocessing, seleksi fitur, dan klasifikasi diintegrasikan ke dalam Pipeline yang mencakup SimpleImputer, SelectFromModel berbasis Random Forest, dan classifier. Proses seleksi fitur menghasilkan 12 fitur terpilih dari 24 fitur kandidat. Optimasi hyperparameter dilakukan menggunakan GridSearchCV dengan skema 10-fold Stratified Cross- Validation. Evaluasi model dilakukan menggunakan accuracy, precision, recall, F1-Score, ROC-AUC, False Negative Rate, dan specificity. Hasil pengujian menunjukkan bahwa Decision Tree memperoleh accuracy 99,42%, precision 99,44%, recall 99,19%, F1-Score 99,32%, dan ROC-AUC 99,38%. Sementara itu, Random Forest memperoleh accuracy 99,60%, precision 99,72%, recall 99,34%, F1-Score 99,53%, dan ROC-AUC 99,89%. Random Forest juga menghasilkan 131 kasus false negative, lebih rendah dibandingkan Decision Tree sebanyak 160 kasus, sehingga menurunkan jumlah false negative sebesar 18,12%. Berdasarkan hasil tersebut, Random Forest lebih efektif dan stabil dibandingkan Decision Tree dalam mendeteksi URL phishing berdasarkan karakteristik URL.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Ezeekiel Dyarsa Amarta, Adrianus (00000071229)
Contributors:	Afriliana, Nunik
Keywords:	URL phishing, Decision Tree, Random Forest, karakteristik URL, false negative.
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	21 Jul 2026 08:00
URI:	https://kc.umn.ac.id/id/eprint/47804

Actions (login required)

View Item