MOHAMMAD FADHIL DEMONDA, . (2026) ANALISIS FAKTOR PENENTU KLASIFIKASI URL PHISHING BERBASIS HYBRID FEATURES MENGGUNAKAN XGBOOST DAN FEATURE IMPORTANCE. Skripsi thesis, Universitas Pembangunan Nasional Veteran Yogyakarta.
|
Text
123220137_Cover - Mohammad Fadhil Demonda.pdf Download (101kB) |
|
|
Text
123220137_Abstrak - Mohammad Fadhil Demonda.pdf Download (155kB) |
|
|
Text
123220137_Halaman Pengesahan - Mohammad Fadhil Demonda.pdf Download (259kB) |
|
|
Text
123220137_Daftar Isi - Mohammad Fadhil Demonda.pdf Download (126kB) |
|
|
Text
123220137_Daftar Pustaka - Mohammad Fadhil Demonda.pdf Download (161kB) |
|
|
Text
123220137_Fulltext - Mohammad Fadhil Demonda.pdf Restricted to Repository staff only Download (2MB) |
Abstract
Keamanan siber telah menjadi tantangan kritikal seiring meningkatnya ancaman phishing yang memanipulasi URL dan konten halaman web untuk memperoleh informasi sensitif pengguna. Pendekatan lexical-based features, yang hanya mengandalkan struktur URL, semakin mudah dielakkan oleh teknik phishing modern yang memanfaatkan subdomain sah untuk menyamarkan konten berbahaya. Penelitian ini mengusulkan pendekatan hybrid phishing detection menggunakan algoritma XGBoost yang mengombinasikan 10 fitur leksikal dan 19 fitur konten halaman web, dievaluasi melalui enam skenario eksperimen (S1–S6). Analisis interpretabilitas dilakukan secara komparatif menggunakan tiga metode feature importance, yaitu Built-in Gain, Permutation Importance, dan SHAP.
Model dilatih pada dataset PhishOFE (101.063 sampel), sedangkan validasi generalisasi dilakukan pada dataset Mendeley dan kombinasi OpenPhish+Tranco. Hasil evaluasi intra-dataset menunjukkan skenario hybrid (S2) mencapai F1-score tertinggi sebesar 0,9902, melampaui pendekatan lexical-based (S1: 0,9308) dan content-based (S3: 0,9529). Ketiga metode feature importance menghasilkan peringkat yang konsisten, dengan enam fitur dominan yang muncul pada top-10 ketiga metode: URLLength, NoOfSubDomain, NoOfHyperlink, NoOfDigits, NoOfCSS, dan NoOfURLRedirect. Namun, evaluasi cross-dataset menunjukkan penurunan performa yang signifikan akibat domain shift: subset fitur hasil SHAP (S6) menunjukkan ketahanan terbaik pada dataset Mendeley (F1-score 0,8147), sementara tidak ada satu metode feature importance pun yang secara konsisten menghasilkan subset fitur paling representatif pada kedua dataset eksternal. Temuan ini mengindikasikan bahwa keunggulan hybrid features atas fitur tunggal bersifat kondisional terhadap distribusi data pengujian, bukan bersifat universal.
| Item Type: | Tugas Akhir (Skripsi) |
|---|---|
| Uncontrolled Keywords: | deteksi phishing, XGBoost, hybrid features, feature importance, SHAP, domain shift |
| Subjek: | Q Science > QA Mathematics > QA76 Computer software |
| Divisions: | Fakultas Teknik Industri > (S1) Informatika |
| Depositing User: | UPA Perpustakaan |
| Date Deposited: | 10 Nov 2026 02:39 |
| Last Modified: | 10 Nov 2026 02:39 |
| URI: | http://eprints.upnyk.ac.id/id/eprint/50229 |
Actions (login required)
![]() |
View Item |
