Implementasi Sistem Deteksi Serangan Phishing Berbasis Klasifikasi Pada URL Berbahaya dalam Meningkatkan Keamanan Jaringan

Al Fathi, Dhimasdar Agdeli Rizqy and Hariz Farisi, S.Kom, M.Kom and Rizal Setya Perdana, S.Kom., M.Kom., Ph.D. (2024) Implementasi Sistem Deteksi Serangan Phishing Berbasis Klasifikasi Pada URL Berbahaya dalam Meningkatkan Keamanan Jaringan. Sarjana thesis, Universitas Brawijaya.

Abstract

Keamanan teknologi informasi dalam era digital yang berkembang pesat menjadi isu mendesak. Serangan phishing merupakan salah satu ancaman utama yang muncul seiring dengan pertumbuhan penggunaan teknologi informasi. PeneliƟan ini bertujuan untuk mendeteksi serangan phishing menggunakan metode machine learning, khususnya algoritma Random Forest. Algoritma Random Forest digunakan untuk mengenali pola-pola serangan pada URL mencurigakan. Dengan teknologi machine learning, diharapkan deteksi terhadap serangan yang semakin canggih dapat diƟngkatkan, mengurangi kerugian finansial dan merusak reputasi. PeneliƟan ini berfokus pada penerapan dan evaluasi metode klasifikasi Random Forest dalam mendeteksi ancaman phishing, khususnya melalui penggunaan URL berbahaya. Empat model (A, B, C, dan D) dibuat dengan variasi dalam seleksi fitur dan tuning parameter menggunakan RandomSearch atau GridSearch. Model B dan D menunjukkan kinerja yang unggul, dengan Model B mencapai akurasi 96.23%, presisi 96.77%, recall 95.57%, dan F1 Score 96.16%, serta Model D mencapai akurasi 95.03%, presisi 95.63%, recall 96.30%, dan F1 Score 95.96%. Kedua model ini menunjukkan kemampuan yang sangat baik dalam membedakan antara URL phishing dan non-phishing, dengan Model D mampu mengurangi kompleksitas sambil mempertahankan performa Ɵnggi. Hasil ini menunjukkan bahwa metode klasifikasi Random Forest dapat menjadi alat yang efekƟf dalam mendeteksi dan mencegah serangan phishing, sehingga meningkatkan keamanan siber.

English Abstract

InformaƟon technology security in the rapidly growing digital era is an urgent issue. Phishing aƩacks are a major threat with the rapid growth in the use of informaƟon technology. This research aims to improve network security through phishing aƩack detecƟon using machine learning methods. Random Forest algorithm is used to recognize aƩack paƩerns on suspicious URLs. With machine learning technology, it is expected that detecƟon of increasingly sophisƟcated aƩacks can be improved, reducing financial losses and damaging reputaƟon. This research focuses on the applicaƟon and evaluaƟon of the Random Forest classificaƟon method in detecƟng phishing threats, specifically through the use of malicious URLs. Four models (A, B, C, and D) were created with variaƟons in feature selecƟon and parameter tuning using RandomSearch or GridSearch. Models B and D showed superior performance, with Model B achieving 96.23% accuracy, 96.77% precision, 95.57% recall, and 96.16% F1 Score, and Model D achieving 95.03% accuracy, 95.63% precision, 96.30% recall, and 95.96% F1 Score. Both models show excellent ability in disƟnguishing between phishing and non-phishing URLs, with Model D being able to reduce complexity while maintaining high performance. These results show that the Random Forest classificaƟon method can be an effecƟve tool in detecƟng and prevenƟng phishing aƩacks, thereby improving cybersecurity

Item Type:	Thesis (Sarjana)
Identification Number:	0524150294
Uncontrolled Keywords:	keamanan teknologi informasi, serangan phishing, deteksi, klasifikasi, machine learning, random forest-informaƟon technology security, phishing aƩacks, detecƟon, classificaƟon, machine learning, random forest
Divisions:	Fakultas Ilmu Komputer > Sistem Informasi
Depositing User:	Sugeng Moelyono
Date Deposited:	12 Jun 2024 04:34
Last Modified:	12 Jun 2024 04:34
URI:	http://repository.ub.ac.id/id/eprint/220586

Text (DALAM MASA EMBARGO) Dhimasdar Agdeli Rizqy Alfathi.pdf Restricted to Registered users only Download (5MB)

Actions (login required)

View Item