Penerapan Metode Backpropagation Neural Network Untuk Klasifikasi Serangan URL Phishing

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.