Klasifikasi Serangan Uniform Resource Locator Phishing Menerapkan Metode Backpropagation Neural Network
-
Novi Yanti
*
Universitas Islam Negeri Sultan Syarif Kasim Riau, Pekanbaru,
Indonesia
- M. Rival Kurniawan Universitas Islam Negeri Sultan Syarif Kasim Riau, Pekanbaru, Indonesia
- Rahmad Abdillah Universitas Islam Negeri Sultan Syarif Kasim Riau, Pekanbaru, Indonesia
- Benny Sukma Negara Universitas Islam Negeri Sultan Syarif Kasim Riau, Pekanbaru, Indonesia (*) Corresponding Author
Abstract
Phishing merupakan bentuk kejahatan siber yang bertujuan mencuri informasi sensitif pengguna melalui metode penipuan, seperti manipulasi tautan link Uniform Resource Locator (URL) pada situs web. Melihat serangan siber yang makin pesat, deteksi dini terhadap URL berbahaya menjadi sangat krusial. Namun, model deteksi terdahulu masih memiliki tantangan karena batasan jumlah dataset dan efisiensi kinerja komputasi. Pada penelitian ini dilakukan klasifikasi serangan URL phishing menerapkan metode Backpropagation Neural Network (BPNN) dengan integrasi Knowledge Discovery in Database (KDD). Data yang digunakan bersumber dari dataset publik Kaggle (PhiUSIIL-2024) berjumlah 235.795 data URL dengan 56 fitur. Tahapan KDD dimulai dari seleksi data dengan mereduksi 5 atribut tidak relevan, hasil pembersihan data menjadi 234.611 data valid, dan transformasi menggunakan Min-Max Scaler. Hasil penelitian menunjukkan bahwa model BPNN memiliki kinerja paling optimal menggunakan arsitektur 50 neuron input, 75 neuron hidden, dan 1 neuron output (50-75-1). Hasil pengujian dengan skenario pembagian rasio data latih dan uji 90:10, learning rate 0.1, nilai 100 epoch, model memberikan nilai akurasi sebesar 99.982%, presisi 99.970%, recall 100%, dan F1-Score 99.985%. Pendekatan ini menghasilkan sistem deteksi URL phishing yang sangat adaptif, stabil, dan berakurasi tinggi dalam menghadapi variasi serangan siber modern.
Downloads
References
M. W. A. Prastya, M. Tahir, A. A. Ningrum, and A. P. Zaibintoro, “Analisis Ancaman Pishing melalui Aplikasi WhatsApp : Review Metode Studi Literatur,” J. Nas. Komputasi dan Teknol. Inf., vol. 7, no. 3, pp. 190–197, 2024, doi: 10.32672/jnkti.v7i3.7551.
R. K. Sujiwana, A. Fahmi, A. Ridho, D. C. Aryanti, and N. A. Rakhmawati, “Analisis Bibliometrik Mengenai Serangan Phishing dan Whatsapp menggunakan Vosviewer,” Jurnal Infokom., vol. 8, no. 1, pp. 101–105, 2024, doi: 10.55886/infokom.v8i1.880.
B. Gumay, A. H. Hendrawan, F. Satrya, F. Kusumah, T. Informatika, and U. I. Khaldun, “Analisis Dampak Ancaman Cybercrime Terhadap Data Mahasiswa Pada Serangan Web Phising Siak UIKA,” Jurnal INFOTECH., vol. 10, no. 2, pp. 297–305, 2024, doi: https://doi.org/10.31949/infotech.v10i2.11463.
M. Arif, B. Dewanto, M. Fathurrahman, D. R. Firdaus, and A. Setiawan, “Penipuan Penambah Followers Instagram : Analisis Serangan Phising dan Dampaknya pada Keamanan Data,” Pubmedia Journal of Internet and Software Engineering (PJISE)., vol. 1, no. 4, pp. 1–11, 2024, doi: https://doi.org/10.47134/pjise.v1i4.2672.
E. Haryadi, D. Wijayanti, E. C. Ramdhani, I. Widyastuti, P. S. Informasi, and P. S. Akuntansi, “Identifikasi Ancaman Keamanan Siber Dari Penyalahgunaan Sumber Daya Tik : Studi Kasus,” Technologia: Jurnal Ilmiah (TJI)., vol. 14, no. 4, pp. 886–896, 2024, doi: http://dx.doi.org/10.31602/tji.v15i4.16429.
K. Astianingrum, B. N. Yulisasih, and S. A. Putri, “Perilaku Remaja dalam Menggunakan Internet untuk Mengenali dan Mengindari Phishing pada SMA Muhammadiyah Pacitan,” Jurnal Ahsana., vol. 2, no. 3, pp. 70–78, 2024, doi: 10.59395/ahsana.v2i3.367.
Y. Wang, W. Ma, H. Xu, Y. Liu, and P. Yin, “applied sciences A Lightweight Multi-View Learning Approach for Phishing Attack Detection Using Transformer with Mixture of Experts,” Applied Sciences., vol. 13, no. 13, pp. 1–17, 2023, doi: https:// doi.org/10.3390/app13137429.
T. Hidayatullah and U. M. Sukabumi, “Implementasi Algoritma Base-64 Dalam Mengamankan URL (Uniform Resource Locator) Website Layanan Pengaduan,” J. Media Infotama., vol. 18, no. 2, pp. 337–343, 2022, doi: https://doi.org/10.37676/jmi.v18i2.2937.
A. D. Sulistyo, B. D. Wicaksono, R. N. Saputra, and R. Ramadhani, “Strategi Penanggulangan Serangan Phishing di Media Sosial,” Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB)., vol. 55, no. 1, pp. 385–396, 2024.
D. B. Suwarno, M. Hardjianto, F. T. Informasi, U. B. Luhur, and K. J. Selatan, “Deteksi Website Phishing Dari Analisis Url Phishing Website Detection From Url Analysis Using Random Forest Algorithm,” Bit (Fakultas Teknol. Inf. Univ. Budi Luhur)., vol. 21, no. 2, pp. 145–152, 2024, doi: 10.36080/bit.v21i2.3603.
N. Reza, F. Rozi, S. Z. Fajriyah, R. Maulida, N. Rahmania, and A. Zahra, “DNS Server Berbasis Ubuntu-22.04.1-Eve- NG-5.0.3.105,” J. Informatics Commun. Technol., vol. 4, no. 2, pp. 1–8, 2022, doi: 10.52661/j_ict.v4i2.140.
T. Sistem and M. Fahri, “Penerapan Algoritma Random Forest untuk Deteksi Phishing pada Website,” JITSI (Jurnal Ilmiah Teknologi Sistem Informasi)., vol. 6, no. 2, pp. 186–194, 2025, doi: 10.62527/jitsi.6.2.472.
R. Fauzan, A. V. Vitianingsih, and D. Cahyono, “Penerapan Algoritma Klasifikasi pada Machine Learning untuk Deteksi Phishing,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 5, no.2 April, pp. 531–540, 2025, doi:https://doi.org/10.57152/malcom.v5i2.1968.
M. Vebriani and W. Yustanti, “Klasifikasi Deteksi Link Phising DANA Kaget Menggunakan Metode Support Vector Machine Berbasis Website,” J. Informatics Comput. Sci., vol. 06, no. 02, pp. 408–416, 2024, doi: 10.26740/jinacs.v6n02.p408-416.
M. Adipa, A. T. Zy, and M. M. Effendi, “Klasifikasi Email Phishing Menggunakan Algoritma K-Nearest Neighbor,” J. RESTIKOM Ris. Tek. Inform. dan Komput., vol. 5, no. 2, pp. 148–157, 2023, doi: 10.52005/restikom.v5i2.152.
M. Hasibuan, R. Abdillah, S. Agustian, and R. M. Candra, “Classification of Phishing URL Attacks Using Random Forest Algorithm Based on Feature Importance,” Building of Informatics, Technology and Science (BITS)., vol. 8, no. 2, pp. 1–10, 2025, doi: 10.32877/bt.v8i2.3511.
K. Subashini and V. Narmatha, “Detecting Phishing Websites using recent Techniques : A Systematic Literature Review,” ITM Web of Conferences., vol. 01008, pp. 1–13, 2023, doi: https://doi.org/10.1051/itmconf/20235701008.
W. Wang, “Using Machine Learning BT - Pro iPhone Development with Swift 5: Design and Manage Top Quality Apps,” W. Wang, Ed., Berkeley, CA: Apress, 2019, pp. 399–432. doi: 10.1007/978-1-4842-4944-4_16.
N. T. Khair, I. Afrianty, F. Syafria, E. Budianita, and S. K. Gusti, “Penerapan Information Gain Untuk Seleksi Fitur Pada Klasifikasi Jenis Kelamin Tulang Tengkorak Menggunakan Backpropagation,” Bulletin of Computer Science Research., vol. 5, no. 4, pp. 666–678, 2025, doi: 10.47065/bulletincsr.v5i4.637.
M. Waail et al., “Klasifikasi Jenis Kelengkeng Berdasarkan Morfologi Daun Dengan Ekstraksi Ciri RGB , GLCM , dan Bentuk Menggunakan Metode,” J. Apl. Teknol. Inf. dan Manaj., vol. 4, no. 2, pp. 183–193, 2023, doi: 10.31102/jatim.v4i2.2341.
M. Kadarman, I. Afrianty, E. Budianita, dan F. Syafria, “Classification of Human Skull Bones on Gender Using Backpropagation in Forensic Anthropology,” Computer Science and Information Technology (CoSciTech)., vol. 5, no. 3, hal. 619–625, 2025, doi:10.37859/coscitech.v5i3.8235.
S. Widaningsih, S. Yusuf, J. T. Informatika, F. Teknik, and U. Suryakancana, “Penerapan Data Mining Untuk Memprediksi Siswa Berprestasi Dengan Menggunakan Algoritma K Nearest Neighbor,” JATISI (Jurnal Tek. Inform. dan Sist. Informasi)., vol. 9, no. 3, pp. 2598–2611, 2022, doi: 10.35957/jatisi.v9i3.859.
F. N. S. Inggih Permana, “Pengaruh Normalisasi Data Terhadap Performa Hasil Klasifikasi Algoritma Backpropagation,” Indones. J. Inform. Res. Softw. Eng., vol. 2, no. 1, pp. 67–72, 2022, doi:10.57152/ijirse.v2i1.311.
M. Azhima, I. Afrianty, E. Budianita, and S. K. Gusti, “Penerapan Metode Backpropagation Neural Network untuk Klasifikasi Penyakit Stroke,” KLIK: Kajian Ilmiah Informatika dan Komputer., vol. 4, no. 6, pp. 3013–3021, 2024, doi: 10.30865/klik.v4i6.1956.
Bila bermanfaat silahkan share artikel ini
Berikan Komentar Anda terhadap artikel Klasifikasi Serangan Uniform Resource Locator Phishing Menerapkan Metode Backpropagation Neural Network
Pages: 128-137
Copyright (c) 2026 Novi Yanti, M. Rival Kurniawan, Rahmad Abdillah, Benny Sukma Negara
This work is licensed under a Creative Commons Attribution 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under Creative Commons Attribution 4.0 International License that allows others to share the work with an acknowledgment of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (Refer to The Effect of Open Access).
