| dc.description.abstract | HANA PERTIWI. Analisis Perbandingan Kinerja Model Machine Learning serta Identifikasi Fitur Dominan dalam Klasifikasi URL Phishing. Dibimbing oleh MEDRIA KUSUMA DEWI HARDHIENATA dan SHELVIE NIDYA NEYMAN.
Perkembangan era digital yang semakin meningkat membuat ancaman kejahatan siber semakin besar. Berdasarkan Laporan Lanskap Keamanan Siber Indonesia Tahun 2024, Badan Siber dan Sandi Negara menyebutkan bahwa phishing menjadi salah satu anomali terbanyak dengan aktivitas sebesar 26.771.610. Peningkatan jumlah distribusi URL Phishing dalam beberapa tahun ini menuntut adanya metode untuk mendeteksi URL Phishing yang dapat mengurangi risiko bagi pengguna. Salah satu solusi untuk menangani aksi kejahatan siber tersebut adalah dengan mengadopsi sistem machine learning. Penelitian ini menganalisis model machine learning menggunakan data komprehensif yang telah dikumpulkan oleh Badan Siber dan Sandi Negara pada tahun 2021 s.d. 2024. Rekomendasi hasil analisis yang didapat memberikan model terbaik untuk penanganan phishing dan mengidentifikasi karakteristik URL phishing khususnya yang marak digunakan di Indonesia. Penelitian ini mengidentifikasi fitur dominan untuk mengurangi missing feature berdasarkan fitur keamanan. Analisis dilakukan untuk menentukan algoritma yang memberikan performa paling optimal dalam mendeteksi URL Phishing dengan membandingkan kinerja tiga model algoritma decision tree yaitu algoritma Random Forest, XGBoost, dan LightGBM. Hasil menunjukkan bahwa LightGBM memiliki performa lebih unggul dibandingkan Random Forest dan XGBoost dengan tingkat akurasi sebesar 97,85% dengan MAE sebesar 0,0215. Secara keseluruhan dari setiap hasil Recall, Precision, dan F1-Score LightGBM memiliki nilai yang lebih tinggi dibandingkan dengan model lain. LightGBM menunjukkan performa terbaik dalam memodelkan hubungan non-linier secara efisien melalui pendekatan leaf-wise tree growth sehingga lebih adaptif untuk data URL phishing yang memiliki karakter lebih kompleks. Dari model terbaik dievaluasi dengan analisis feature importance dan analisis Shapley Additive exPlanations (SHAP) telah teridentifikasi bahwa fitur yang memiliki kontribusi paling besar dalam penentuan URL Phishing adalah Count_Slash_Website. Analisis data BSSN dalam penelitian ini menghasilkan sejumlah fitur dominan yang membentuk karakteristik URL, sehingga menjadi ciri khas serangan phishing yang umum digunakan di Indonesia dalam hal ini salah satunya adalah jumlah penggunaan garis miring (Count_Slash_Website) pada URL. | |
