View/Open

Author
FAJRUL, RAMADHANA AQSA

Date Published
24 Aug 2026

Advisor
Mohamad Idris, S.Si., M.Sc.,

Subject
Teknik Informatika

Publisher

Phishing merupakan salah satu ancaman keamanan siber yang banyak disebarkan melalui Uniform Resource Locator (URL). Penelitian ini bertujuan merancang dan mengevaluasi model deteksi phishing berbasis raw URL menggunakan arsitektur hybrid Convolutional Neural network–Bidirectional Long Short-Term Memory (CNN-BiLSTM) dengan pendekatan end-to-end tanpa rekayasa fitur manual. Permasalahan diformulasikan sebagai klasifikasi biner antara URL phishing dan legitimate. Data URL phishing diperoleh dari PhishTank dan URL legitimate dari Tranco List, yang setelah melalui proses pembersihan menghasilkan 58.754 URL. Setiap URL ditokenisasi pada level karakter menggunakan integer encoding berbasis ASCII, kemudian diproses oleh model CNN-BiLSTM yang menggabungkan ekstraksi fitur lokal oleh CNN dengan pemrosesan konteks sekuensial dua arah oleh BiLSTM. Hasil pengujian pada data uji menunjukkan model mencapai Accuracy 98,62%, Precision 0, 9950, Recall 0,9775, F1-score 0,9862, AUC-ROC 0,9983, dan PR-AUC 0,9986. Hasil tersebut menunjukkan bahwa model memiliki performa yang kuat pada kedua metrik, dengan nilai Precision dan Recall yang relatif berdekatan, meskipun laju False Negative (2,25%) sedikit lebih tinggi dibandingkan False Positive (0,50%). Pendekatan end-to-end berbasis karakter yang digunakan tidak memerlukan rekayasa fitur manual, sehingga relatif sederhana untuk diterapkan.

URI
https://repo.itera.ac.id/depan/submission/SB2608220001

Keyword
Deteksi Phishing Raw URL CNN-BiLSTM Klasifikasi Biner Deep Learning