PENGEMBANGAN SISTEM DETEKSI URL PHISHING MENGGUNAKAN METODE HYBRID RULE-BASED DAN MACHINE LEARNING

Abstract

Meningkatnya penggunaan internet membuat ancaman URL phishing menjadi semakin serius dan merugikan pengguna internet. Pendekatan rule-based dan XGBoost secara mandiri masih memiliki keterbatasan dalam menangani variasi pola phishing yang terus berkembang. Penelitian ini bertujuan membangun sistem deteksi URL phishing yang lebih andal melalui pendekatan hybrid weighted ensemble. Metode yang digunakan dalam penelitian ini menggabungkan rule-based dan XGBoost. Dataset yang digunakan sebanyak 242.056 URL seimbang dari Kaggle. Sistem dibangun melalui ekstraksi 23 fitur numerik yang mencakup fitur struktur URL, entropi, indikator biner, serta fitur turunan berbasis aturan seperti rule_score. Model XGBoost dilatih menggunakan hyperparameter tuning dengan grid search dan 3-fold cross-validation. Kombinasi hybrid dilakukan dengan menggabungkan probabilitas output kedua komponen pada 40 kombinasi bobot dan threshold. Hasil penelitian menunjukkan bahwa konfigurasi terbaik berupa bobot XGBoost 0,85, bobot rule-based 0,15, dan threshold 0,45. Sistem hybrid mencapai akurasi 95,22% dan precision 96,22%, mengungguli XGBoost saja (akurasi 95,21%, precision 96,10%) dan rule-based saja (akurasi 50,69%), serta berhasil menurunkan false positive dari 925 menjadi 894 kasus