Pengembangan Model Klasifikasi Phising URL Menggunakan Xgboost Dan Feature Selection Dengan Pengintegerasian Pada Ekstensi Browser
Tahun 2026 · Penulis: Kevin Elvio Chrisselin Purwanto
Faculty of Computer Science, Universitas Jember
Tautan: https://repository.unej.ac.id/handle/123456789/13700
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Pesatnya perkembangan teknologi informasi telah memicu peningkatan ancaman keamanan siber, salah satunya adalah *phishing*. Serangan *phishing* dilakukan dengan menggunakan tautan atau situs web palsu yang menyerupai situs web resmi untuk mencuri informasi sensitif pengguna. Metode deteksi *phishing* konvensional berbasis *blacklist* memiliki keterbatasan karena tidak dapat mendeteksi URL baru yang belum terdaftar. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan model klasifikasi URL *phishing* menggunakan algoritma *Extreme Gradient Boosting* (XGBoost) yang dikombinasikan dengan seleksi fitur *Recursive Feature Elimination* (RFE) serta mengintegrasikannya ke dalam ekstensi peramban berbasis Chromium. Dataset yang digunakan dalam penelitian ini diperoleh dari repositori Mendeley Data berjudul "Web Page Phishing Detection," yang terdiri dari 11.430 data URL dengan berbagai fitur berbasis URL, HTML, dan reputasi domain. Tahapan penelitian meliputi pra-pemrosesan data, seleksi fitur menggunakan RFE dengan *10-Fold Cross Validation*, penyesuaian *hyperparameter* menggunakan Hyperopt berbasis *Tree-structured Parzen Estimator* (TPE), pelatihan model XGBoost, evaluasi model, serta penerapan (*deployment*) menggunakan Flask dan ekstensi peramban. Evaluasi model dilakukan menggunakan metrik akurasi, presisi, *recall*, dan *F1-score*. Hasil penelitian menunjukkan bahwa proses seleksi fitur berhasil mengurangi jumlah fitur dari 89 atribut menjadi 81 fitur optimal tanpa menurunkan kinerja model secara signifikan. Model XGBoost yang dikembangkan mencapai akurasi 96,28%, presisi 96%, *recall* 97%, dan *F1-score* 96%. Selain itu, model tersebut berhasil diintegrasikan ke dalam ekstensi peramban yang mampu melakukan deteksi URL *phishing* secara *real-time*. Penelitian ini diharapkan dapat meningkatkan keamanan pengguna internet terhadap serangan *phishing* melalui sistem deteksi otomatis berbasis *machine learning*.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,852
Tahun 2025 · Penulis: Imanuel Agung Praja Romuty
Implementasi MobileNetV2 dengan Preprocessing Esrgan untuk Klasifikasi Tumor Kulit Pada Aplikasi Android
Kulit merupakan organ terbesar yang berperan penting dalam melindungi tubuh dari berbagai ancaman eksternal. Salah satu penyakit serius pada kulit adalah tumor, yang dapat bersifat jinak (benign) maupun ganas (malignant). Deteksi dini terhadap tumor kulit sang
- Cosine 0,831
Tahun 2026 · Penulis: Rayhan Syahrur Ramadhan
Implementasi Augmented Reality Sebagai Media Visualisasi Arsitektur Gedung Fakultas Ilmu Komputer Universitas Jember Berbasis Mobile
Penelitian ini bertujuan untuk merancang dan menerapkan aplikasi Augmented Reality (AR) berbasis ponsel sebagai sebuah media visualisasi arsitektural untuk Fakultas Ilmu Komputer di Universitas Jember menggunakan model pengembangan ADDIE. Metode yang digunakan
- Cosine 0,824
Tahun 2026 · Penulis: Muhammad Muhtadin Nurilhaq
Optimasi Hyperparameter Algoritma Random Forest Pada Klasifikasi Malware Android Berbasis Website Menggunakan Bayesian Optimization Tuning
Android merupakan sistem operasi smartphone paling dominan di dunia dengan pangsa pasar global lebih dari 74% sejak tahun 2019. Popularitas tersebut menjadikan Android sebagai target utama serangan malware yang dapat menyalahgunakan perangkat pengguna secara m