FIRMANSYAH, ADITYA and Erwin SLAM, Berta and Chahyadi, Ferdi (2026) PERBANDINGAN KINERJA ALGORITMA RANDOM FOREST DAN XGBOOST UNTUK KLASIFIKASI URL PHISHING OBFUSKASI. S1 thesis, Universitas Maritim Raja Ali Haji.

	Text (Cover) ADITYA_FIRMANSYAH_2201020018_Teknik Informatika - Cover.pdf Download (749kB)
	Text (Abstrak) ADITYA_FIRMANSYAH_2201020018_Teknik Informatika - Abstrak.pdf - Published Version Download (247kB)
	Text (BAB 1) ADITYA_FIRMANSYAH_2201020018_Teknik Informatika - BAB 1.pdf - Published Version Download (521kB)
	Text (Daftar Pustaka) ADITYA_FIRMANSYAH_2201020018_Teknik Informatika - Daftar Pustaka.pdf - Published Version Download (274kB)
	Text (Full Teks) ADITYA_FIRMANSYAH_2201020018_Teknik Informatika - Full Teks.pdf Restricted to Repository staff only Download (2MB) | Request a copy

Abstract

Perkembangan teknologi yang pesat, menjadikan ancaman Phishing terus meningkat, ini menyebabkan ancaman keamanan siber yang serius karena pelaku siber sudah memanfaatkan teknik obfuskasi URL untuk mengelabui sistem deteksi yang ada. Salah satu kelemahan mendasar pada penelitian terdahulu yaitu Machine Learning yang digunakan untuk klasifikasi phishing masih menggunakan dataset standar, belum menganalisis lebih lanjut terkait URL Phishing yang mengandung Teknik obfuskasi. Oleh karena itu, penelitian ini bertujuan untuk membandingkan kinerja algoritma Random Forest dan XGBoost secara spesifik dalam mengklasifikasikan URL Phishing berbasis obfuskasi. Model dievaluasi secara bertahap mulai dari penggunaan Dataset Pairing sintetis hingga menggunakan Dataset Organik berimbang guna menguji performa murni algoritma. Evaluasi dilakukan dengan mengekstraksi 6 fitur leksikal pada 12.000 dataset yang dikategorikan kedalam dua kelas dataset, yaitu kelas aman(Legitimate) dan kelas Phishing. Hasil pengujian final membuktikan bahwa kedua algoritma memiliki performa yang sangat tangguh. Algoritma Random Forest maupun XGBoost sama-sama sukses mencatatkan tingkat Akurasi yang identik yakni sebesar 94,83%, dengan metrik Presisi tembus diangka 98,82%. Temuan ini membuktikan bahwa Random Forest dan XGBoost sama-sama terbukti sangat layak diimplementasikan sebagai inti mesin pendeteksi ancaman keamanan Phishing.

Actions (login required)

View Item