IMPLEMENTASI ALGORITMA LONG SHORT-TERM MEMORY PADA SISTEM DETEKSI SITUS PHISHING BERBASIS APLIKASI WEB

Anisa Nur Syafia, - (2024) IMPLEMENTASI ALGORITMA LONG SHORT-TERM MEMORY PADA SISTEM DETEKSI SITUS PHISHING BERBASIS APLIKASI WEB. S1 thesis, Universitas Pendidikan Indonesia.

	Text S_TEKOM_2008567_Title.pdf Download (1MB)
	Text S_TEKOM_2008567_Chapter1.pdf Download (149kB)
	Text S_TEKOM_2008567_Chapter2.pdf Restricted to Staf Perpustakaan Download (359kB) | Request a copy
	Text S_TEKOM_2008567_Chapter3.pdf Download (234kB)
	Text S_TEKOM_2008567_Chapter4.pdf Restricted to Staf Perpustakaan Download (1MB) | Request a copy
	Text S_TEKOM_2008567_Chapter5.pdf Download (63kB)
	Text S_TEKOM_2008567_Appendix.pdf Restricted to Staf Perpustakaan Download (944kB) | Request a copy

Abstract

Serangan situs phishing merupakan tindakan kejahatan di dunia maya yang melibatkan usaha untuk mencuri identitas pengguna melalui situs web palsu dengan menyamar sebagai lembaga sah yang dapat dipercaya. Deteksi situs phishing berbasis algoritma Deep Learning diperlukan untuk menghindari serangan phishing yang dapat membahayakan keamanan data. Implementasi algoritma Long Short-Term Memory (LSTM) pada sistem deteksi situs phishing merupakan penelitian yang berfokus pada pengembangan model dan aplikasi web sebagai sistem deteksi situs phishing. Untuk membangun sebuah model algoritma LSTM, keakuratan deteksi sangat bergantung terhadap jumlah data yang digunakan dalam proses pelatihan dan pengujian juga pemahaman antar fitur datanya. Jumlah data yang digunakan dalam penelitian ini sebanyak 784.762 URL dengan pembagian data diantaranya 392.381 URL phishing dan 392.381 URL sah. Dengan memanfaatkan penggunaan klasifikasi menggunakan algoritma LSTM, model dapat memahami tiap karakter fiturnya tanpa ekstraksi fitur manual dan menghasilkan nilai akurasi yang baik yaitu sebesar 98,87%. Model yang dihasilkan kemudian diimplementasikan pada aplikasi web yang dibangun menggunakan framework flask. Berdasarkan hasil pengujian black box, aplikasi web yang dibangun dapat berfungsi dengan optimal karena dapat menjalankan semua fitur aplikasi dengan baik dan sesuai. Aplikasi web yang diintegrasikan dengan model LSTM juga berhasil membedakan URL sah dan phishing dengan cepat dan akurat sehingga dapat meningkatkan keamanan data dan melindungi pengguna internet dari serangan situs phishing yang terus berkembang. ------------ A phishing website attack is a cybercrime that involves attempting to steal a user's identity through a fake website by posing as a legitimate, trustworthy institution. Deep Learning algorithm-based phishing site detection is needed to avoid phishing attacks that can endanger data security. The implementation of the Long Short-Term Memory (LSTM) algorithm in a phishing site detection system is research that focuses on developing models and web applications as a phishing site detection system. To build an LSTM algorithm model, detection accuracy is very dependent on the amount of data used in the training and testing process as well as understanding between data features. The amount of data used in this research was 784,762 URLs with data distribution including 392,381 phishing URLs and 392,381 legitimate URLs. By utilizing classification using the LSTM algorithm, the model can understand each character feature without manual feature extraction and produces a good accuracy value of 98.87%. The resulting model is then implemented in a web application built using the flask framework. Based on the results of black box testing, the web application that is built can function optimally because it can run all the application features properly and appropriately. Web applications integrated with the LSTM model also succeed in distinguishing between legitimate and phishing URLs quickly and accurately, thereby increasing data security and protecting internet users from attacks by phishing sites that continue to grow.

Item Type:	Thesis (S1)
Additional Information:	https://scholar.google.com/citations?hl=en&user=wI5KPosAAAAJ ID SINTA Dosen Pembimbing: Deden Pradeka: 6680849 Muhammad Taufik Dwi Putra: 6745726
Uncontrolled Keywords:	LSTM, phishing, aplikasi web, flask, black box, web applications, flask, black box.
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science Q Science > QA Mathematics > QA76 Computer software T Technology > T Technology (General)
Divisions:	UPI Kampus cibiru > S1 Teknik Komputer
Depositing User:	Anisa Nur Syafia
Date Deposited:	23 Aug 2024 04:22
Last Modified:	23 Aug 2024 04:22
URI:	http://repository.upi.edu/id/eprint/120110

Actions (login required)

View Item