ALIF BAKRI, NANDA and Matulatan, Tekad and Irawan, Feri (2026) ANALISIS PERBANDINGAN ALGORITMA LIGHTGBM DAN RANDOM FOREST DALAM MENDETEKSI PHISHING BERBASIS URL. S1 thesis, Universitas Maritim Raja Ali Haji.

	Text (Cover) Nanda Alif Bakri_2101021020_Teknik Informatika - Cover.pdf - Published Version Download (499kB)
	Text (Abstrak) Nanda Alif Bakri_2101021020_Teknik Informatika - Abstrak.pdf - Published Version Download (178kB)
	Text (BAB I) Nanda Alif Bakri_2101021020_Teknik Informatika - BAB I.pdf - Published Version Download (261kB)
	Text (Daftar Pustaka) Nanda Alif Bakri_2101021020_Teknik Informatika - Daftar Pustaka.pdf - Published Version Download (191kB)
	Text (Full Teks) Nanda Alif Bakri_2101021020_Teknik Informatika - Full Teks.pdf - Published Version Restricted to Repository staff only Download (2MB) | Request a copy

Abstract

Phishing merupakan salah satu bentuk kejahatan siber yang bertujuan untuk mencuri informasi sensitif pengguna melalui tautan atau situs web tiruan yang menyerupai layanan resmi. Serangan phishing berbasis URL menjadi salah satu bentuk serangan yang sering digunakan karena pelaku dapat membuat struktur URL yang terlihat mirip dengan website asli sehingga sulit dikenali secara langsung oleh pengguna. Untuk mengatasi permasalahan tersebut, diperlukan sistem deteksi yang mampu mengenali pola URL phishing secara otomatis. Penelitian ini membandingkan dua algoritma machine learning, yaitu LightGBM dan Random Forest dalam mendeteksi URL phishing dan legitimate. Dataset yang digunakan berasal dari Kaggle tahun 2021 dengan jumlah 11.340 URL. Hasil pengujian menunjukkan bahwa model LightGBM memiliki performa yang sedikit lebih tinggi dibandingkan Random Forest, di mana LightGBM mencapai accuracy sebesar 86,09%, precision 88,06%, recall 83,49%, dan F1-score 85,71%. Sementara itu, algoritma Random Forest memperoleh accuracy sebesar 85,56%, precision 86,61%, recall 84,13%, dan F1-score 85,35%. Temuan ini menunjukkan bahwa kedua model mampu melakukan deteksi phishing berbasis URL dengan cukup baik, namun algoritma LightGBM lebih unggul secara keseluruhan pada accuracy, precision, dan F1-score, sedangkan Random Forest memiliki nilai recall yang sedikit lebih tinggi.

Actions (login required)

View Item