Model Klasifikasi Untuk Deteksi Situs Phising Di Indonesia

Purwiantono, Febry Eka (2017) Model Klasifikasi Untuk Deteksi Situs Phising Di Indonesia. Masters thesis, Institut Teknologi Sepuluh Nopember.

[img]
Preview
Text
5215201006 - Master_Thesis.pdf - Published Version

Download (2MB) | Preview

Abstract

Penelitian ini mengusulkan sebuah model klasifikasi yang dapat digunakan untuk mendeteksi situs phising di Indonesia (berbahasa Indonesia, berserver di Indonesia atau sering digunakan oleh pengguna internet dari Indonesia) secara akurat. Teknik deteksi yang diusulkan berdasarkan analisis situs menggunakan pendekatan berbasis fitur konten dan URL. Model klasifikasi ini mengkombinasikan beberapa fitur unik dari penelitian sebelumnya dan fitur baru berbasis konten dan URL untuk meningkatkan kinerja deteksi agar mampu mengungguli model klasifikasi pada penelitian sebelumnya. Dataset yang digunakan dalam penelitian ini kurang lebih terdiri dari 340 situs phising dan 340 situs non-phising. Selain itu, pada model klasifikasi yang diusulkan dibuat sebuah web crawler berbasis PHP dan API (Application Programming Interface) untuk mengekstraksi fitur pada penelitian ini, sehingga memudahkan peneliti dalam pengolahan data menggunakan software Weka. Penelitian ini menggunakan 4 algoritma berbeda antara lain SMO (Sequential Minimal Optimization), Naive Bayes, Bagging dan Multilayer Perceptron. Hasilnya, SMO, Naive Bayes, Bagging dan Multilayer Perceptron memiliki akurasi kurang lebih 95,88%, 96,91%, 97,35% dan 96,91%. Dimana algoritma dengan akurasi terbaik yaitu Bagging akan digunakan dalam model klasifikasi ini untuk dibandingkan dengan model klasifikasi pada penelitian sebelumnya menggunakan dataset yang sama. Hasilnya, akurasi dari model klasifikasi pada penelitian ini mengungguli akurasi dari model klasifikasi pada penelitian sebelumnya. Model klasifikasi pada penelitian ini unggul 16,76% terhadap model klasifikasi pada penelitian sebelumnya yang mana hanya menghasilkan akurasi 80,59%. ================================================================================================ This research proposed a classification model that can be used to detect phishing website in Indonesia (using Bahasa Indonesia, hosted in Indonesia or frequently accessed by Internet users from Indonesia) accurately. The proposed detection technique based on website analysis using the URL and content feature based approach. This classification model combines some unique feature vectors of previous research and new feature vector based on URL and content approach to improve detection performance to be able to outperform classification model in previous research. Dataset used in this research consisted of approximately 340 authentic websites and 340 phishing websites. Moreover, in the proposed classification model created a web crawler based on PHP and API (Application Programming Interface) to extract feature vectors in this research, so it can support researcher in data processing using software Weka. This research uses four different algorithms such as SMO (Sequential Minimal Optimization), Naive Bayes, Bagging and Multilayer Perceptron. The result, SMO, Naive Bayes, Bagging and Multilayer Perceptron have accuracy of approximately 95.88%, 96.91%, 97.35% and 96.91%. Algorithm has the best accuracy is Bagging, it will be used in this classification model to compare with classification model in previous research using same dataset. The result, accuracy of classification model in this research outperformed accuracy of classification model in previous research. The classification model in this research outperform 6.01% against classification model in previous research which only yielded 80.59% accuracy.

Item Type: Thesis (Masters)
Uncontrolled Keywords: model klasifikasi, deteksi, situs phising, Indonesia, fitur
Subjects: T Technology > T Technology (General)
T Technology > T Technology (General) > T58.62 Decision support systems
Divisions: Faculty of Information Technology > Information System > (S2) Master Theses
Depositing User: - Febry Eka Purwiantono
Date Deposited: 15 Nov 2017 02:57
Last Modified: 05 Mar 2019 07:56
URI: http://repository.its.ac.id/id/eprint/43198

Actions (login required)

View Item View Item