IMPLEMENTASI ALGORITMA LIGHTGBM DENGAN INTEGRASI EXPLAINABLE AI DAN FITUR ANTI-QUISHING PADA SISTEM DETEKSI URL PHISHING BERBASIS WEB

Firdaus, Muh Zaqi (2026) IMPLEMENTASI ALGORITMA LIGHTGBM DENGAN INTEGRASI EXPLAINABLE AI DAN FITUR ANTI-QUISHING PADA SISTEM DETEKSI URL PHISHING BERBASIS WEB. [Tugas Akhir/Skripsi]

	Text Abstrak.pdf Download (1MB)
	Text BAB 1.pdf Restricted to Repository staff only Download (791kB) | Request a copy
	Text BAB 2.pdf Restricted to Repository staff only Download (1MB) | Request a copy
	Text BAB 3.pdf Restricted to Repository staff only Download (1MB) | Request a copy
	Text BAB 4.pdf Restricted to Repository staff only Download (1MB) | Request a copy
	Text BAB 5.pdf Restricted to Repository staff only Download (610kB) | Request a copy
	Text DAFTAR PUSTAKA.pdf Restricted to Repository staff only Download (499kB) | Request a copy
	Text LAMPIRAN.pdf Restricted to Repository staff only Download (1MB) | Request a copy
	Text PLAGIASI 1.pdf Download (173kB)
	Text PLAGIASI 2.pdf Restricted to Repository staff only Download (1MB) | Request a copy
	Text JURNAL.pdf Restricted to Repository staff only Download (751kB) | Request a copy

Abstract

Perkembangan teknologi informasi berbasis web telah meningkatkan efisiensi layanan digital, namun di sisi lain juga memunculkan berbagai ancaman keamanan siber, salah satunya adalah serangan phishing, yaitu metode penipuan yang memanfaatkan Uniform Resource Locator (URL) berbahaya untuk memperoleh informasi sensitif pengguna. Selain phishing konvensional, muncul ancaman baru berupa QR Code Phishing (Quishing), yaitu teknik phishing yang memanfaatkan QR Code untuk mengarahkan pengguna ke URL bahaya sehingga semakin sulit dikenali secara manual. Sistem deteksi berbasis aturan (rule-based) memiliki keterbatasan dalam menghadapi variasi pola serangan yang terus berkembang sehingga diperlukan pendekatan yang lebih adaptif melalui Machine Learning. Penelitian ini bertujuan mengimplementasikan algoritma Light Gradient Boosting Machine (LightGBM) pada sistem deteksi URL phishing berbasis web secara real-time. Sistem juga mengintegrasikan Explainable Artificial Intelligence (XAI) atau kecerdasan buatan yang dapat dijelaskan menggunakan metode SHapley Additive exPlanations (SHAP) untuk menjelaskan hasil prediksi serta mendukung deteksi Quishing melalui proses dekode QR Code. Penelitian menggunakan metodologi Cross-Industry Standard Process for Data Mining (CRISP-DM) dengan dataset PhiUSIIL Phishing URL Dataset yang diperoleh dari Kaggle. Hasil penelitian menunjukkan bahwa model LightGBM memperoleh Akurasi 99,77%, Presisi 99,62%, recall 99,98%, F1-score sebesar 99,80%, dan ROC-AUC sebesar 99,84%. Berdasarkan hasil confusion matrix, model berhasil mengklasifikasikan 20.088 URL legitimate dan 26.964 URL phishing dengan benar, serta menghasilkan 101 false positive dan 6 false negative. Selain itu, pengujian implementasi sistem menggunakan 10 URL uji yang terdiri atas 5 URL legitimate dan 5 URL phishing, beserta representasi QR Code masing-masing URL, menunjukkan bahwa sistem mampu melakukan deteksi secara real-time sesuai dengan kategori URL yang diuji. Sistem yang dikembangkan mampu melakukan deteksi URL phishing secara real-time melalui masukan URL maupun QR Code, serta memberikan penjelasan hasil prediksi menggunakan SHAP. Berdasarkan hasil pengujian, algoritma LightGBM berhasil diimplementasikan secara efektif pada sistem deteksi URL phishing berbasis web. Integrasi SHAP meningkatkan transparansi hasil prediksi, sedangkan fitur deteksi Quishing membantu mengidentifikasi URL berbahaya yang tersembunyi di dalam QR Code.

Item Type:	Tugas Akhir/Skripsi
Uncontrolled Keywords:	Kata Kunci: Phishing, LightGBM, Machine Learning, SHAP, QR Code, Quishing
Subjects:	T Technology > T Technology (General)
Divisions:	Faculty of Engineering > Computer Science or Informatics Study Program
Depositing User:	Muh. Zaqi firdaus
Date Deposited:	29 Sep 2026 03:13
Last Modified:	29 Sep 2026 03:13
URI:	http://erepository.uwks.ac.id/id/eprint/23773

Actions (login required)

View Item

Downloads