WINATA, ARYA and Matulatan, Tekad and Erwin SLAM, Berta (2026) PERBANDINGAN KERNEL LINEAR DAN KERNEL SIGMOID PADA ALGORITMA SVM UNTUK DETEKSI WEBSITE PHISHING. S1 thesis, Universitas Maritim Raja Ali Haji.

	Text (Cover) Arya Winata_2201020001_Teknik_Informatika Cover.pdf - Published Version Download (735kB)
	Text (Abstrak) Arya Winata_2201020001_Teknik_Informatika Abstrak.pdf - Published Version Download (235kB)
	Text (BAB 1) Arya Winata_2201020001_Teknik_Informatika BAB 1.pdf - Published Version Download (276kB)
	Text (Daftar Pustaka) Arya Winata_2201020001_Teknik_Informatika Daftar Pustaka.pdf - Published Version Download (254kB)
	Text (Fullteks) Arya Winata_2201020001_Teknik_Informatika PERBANDINGAN KERNEL LINEAR DAN KERNEL SIGMOID PADA ALGORITMA SVM UNTUK DETEKSI WEBSITE PHISHING.pdf - Published Version Restricted to Repository staff only Download (1MB) | Request a copy

Abstract

Serangan phishing yang terus berevolusi melalui manipulasi tautan (URL) secara dinamis menuntut adanya sistem deteksi proaktif untuk menutupi kelemahan metode blacklist konvensional yang bersifat reaktif. Penelitian ini bertujuan untuk membandingkan performa algoritma Support Vector Machine (SVM) menggunakan fungsi pemetaan Kernel Linear dan Kernel Sigmoid dalam mendeteksi website phishing. Sistem deteksi yang dibangun berfokus pada ekstraksi 14 fitur leksikal dari struktur URL. Penelitian ini menggunakan 30.000 sampel URL, yang dikumpulkan dari repositori PhishTank dan Tranco List. Pendekatan pemodelan menerapkan pembagian rasio data 80:20, di mana 24.000 sampel dialokasikan sebagai data latih (training) dan 6.000 sampel bertindak sebagai data uji (testing). Setelah melalui tahap standardisasi skala (Feature Scaling) menggunakan Z-score, model dievaluasi dengan menerapkan ambang batas (threshold) keputusan probabilitas yang ketat sebesar 0,8 untuk meminimalisir alarm palsu (False Positive). Hasil pengujian melalui K-Fold Cross Validation (K=5) dan matriks evaluasi menunjukkan bahwa Kernel Linear unggul secara absolut dengan akurasi 98,85%, presisi 99,80%, recall 97,90%, dan F1-Score 98,84%, serta komputasi yang cepat (8,73 detik). Sebaliknya, penggunaan kurva non-linier pada Kernel Sigmoid justru mendegradasi performa dengan akurasi 78,60% dan angka kecolongan ancaman (False Negative) yang tinggi. Dapat disimpulkan bahwa fitur leksikal URL memiliki korelasi linier yang kuat, sehingga Kernel Linear menjadi pilihan pemetaan yang paling stabil, efisien, dan presisi untuk diimplementasikan ke dalam sistem deteksi keamanan phishing.

Actions (login required)

View Item