Rancang Bangun Sistem Deteksi Website Phishing Berbasis Web Menggunakan Algoritma Extreme Gradient Boosting (XGBoost)

Christofer, Marvell (2026) Rancang Bangun Sistem Deteksi Website Phishing Berbasis Web Menggunakan Algoritma Extreme Gradient Boosting (XGBoost). Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (780kB)
	PDF BAB_I.pdf Download (221kB)
	PDF BAB_II.pdf Download (298kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (508kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (869kB)
	PDF BAB_V.pdf Restricted to Registered users only Download (209kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (226kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (952kB)
	Archive (ZIP) 00000067604_2521_LembarPengesahan.pdf Restricted to Registered users only Download (65kB)

Abstract

Transformasi digital global saat ini meningkatkan efisiensi aktivitas manusia sekaligus memperluas celah keamanan siber, salah satunya melalui maraknya kejahatan rekayasa sosial berupa serangan phishing yang bertujuan mencuri kredensial sensitif pengguna. Metode deteksi konvensional berbasis daftar hitam (blacklist) terbukti tidak lagi adaptif dalam menangani dinamika pola serangan baru (zero-day attacks). Penelitian ini bertujuan untuk merancang dan membangun sistem deteksi website phishing berbasis web yang interaktif dengan mengintegrasikan algoritma Extreme Gradient Boosting (XGBoost). Guna menjamin reliabilitas performa di kondisi nyata, sistem dirancang menggunakan dua model, yaitu model FULL (gabungan fitur URL dan HTML) bertindak sebagai model utama yang didukung proses web scraping menggunakan Playwright, sedangkan model URL-Only bertindak sebagai jaring pengaman ketika konten halaman gagal dimuat. Siklus pengembangan model mengimplementasikan eliminasi fitur menggunakan Recursive Feature Elimination with Cross-Validation (RFECV) berbasis metrik Gain, pencarian parameter via RandomizedSearchCV, serta kontrol kebocoran data menggunakan pemisahan data berbasis kelompok domain (GroupShuffleSplit) dengan pemilihan rasio antara 70:30, 80:20, dan 90:10. Setelah membandingkan ketiga rasio tersebut, dipilih rasio 90:10 karena memberikan performa terbaik. Hasil evaluasi menggunakan confusion matrix menunjukkan bahwa model FULL mampu mendominasi performa dengan perolehan akurasi sebesar 99,68%, precision 99,61%, recall 99,63%, dan F1- score 99,62% dengan hanya mencatatkan 37 kesalahan false negative dan 39 kesalahan false positive. Di sisi lain, model URL-Only tetap menunjukkan keandalan cadangan yang tangguh dengan akurasi 98,53%, precision 99,20%, recall 97,32%, dan F1-score 98,25%. Penelitian ini berhasil mewujudkan sistem deteksi terintegrasi (ReactJS, Flask, dan XGBoost) yang mampu memberikan keputusan klasifikasi secara real-time tanpa memerlukan pengetahuan teknis mendalam dari pengguna awam.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Christofer, Marvell (00000067604)
Contributors:	Irmina Prasetiyowati, Maria
Keywords:	Phishing, Website, XGBoost.
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	29 Jul 2026 11:58
URI:	https://kc.umn.ac.id/id/eprint/48613

Actions (login required)

View Item