Publisher

NURISNURIS

Journal Sains Data Jurnal Studi Matematika dan TeknologiSains Data Jurnal Studi Matematika dan Teknologi Abstract

Deteksi phishing merupakan komponen krusial dalam sistem Security Information and Event Management (SIEM) modern, yang menuntut akurasi tinggi dan kinerja waktu nyata (real-time). Penelitian ini menyajikan perbandingan komprehensif antara model Gradient-Boosted Decision Tree, yaitu XGBoost, dengan arsitektur deep learning, TabNet, untuk klasifikasi URL phishing. Kedua model dioptimalkan secara sistematis menggunakan teknik penalaan hyperparameter tingkat lanjut, Randomized Search untuk XGBoost dan Optuna dengan pruning untuk TabNet guna memastikan evaluasi yang adil dan kokoh. Model-model tersebut dilatih dan diuji menggunakan Dataset of Suspicious Phishing URL Detection, sebuah koleksi fitur URL yang baru dan relevan. Hasil penelitian menunjukkan bahwa model XGBoost yang telah ditala secara signifikan mengungguli model TabNet yang telah ditala di semua metrik utama. Lebih lanjut, analisis kecepatan inferensi mengungkap bahwa XGBoost secara substansial lebih efisien pada perangkat keras CPU maupun GPU, dengan waktu inferensi GPU lebih dari 33 kali lebih cepat daripada TabNet. Temuan ini mengarah pada kesimpulan bahwa untuk tugas ini, XGBoost menawarkan kombinasi akurasi, kecepatan, dan kepraktisan implementasi yang superior, menjadikannya arsitektur yang lebih sesuai untuk diintegrasikan ke dalam sistem SIEM.

Conclusion

Berdasarkan analisis performa, kecepatan, dan perilaku pelatihan, kita dapat menarik kesimpulan praktis mengenai implikasi implementasi kedua model pada sistem Security Information and Event Management (SIEM).Hasil penelitian secara konsisten menunjukkan bahwa model XGBoost tidak hanya unggul dalam hal akurasi deteksi, tetapi juga memiliki efisiensi komputasi yang jauh lebih superior.Dalam konteks SIEM yang menuntut pemrosesan data secara real-time untuk deteksi ancaman yang cepat, kecepatan inferensi menjadi faktor penentu.Kemampuan XGBoost untuk memberikan prediksi dengan latensi yang sangat rendah, menjadikannya sangat ideal untuk diintegrasikan ke dalam alur kerja analisis keamanan tanpa menjadi bottleneck komputasi.Dengan demikian, menimbang secara holistik antara akurasi, kecepatan, dan kepraktisan implementasi, model XGBoost secara tegas direkomendasikan sebagai arsitektur yang lebih unggul dan siap untuk diimplementasikan pada sistem SIEM untuk tugas deteksi URL phishing.

Future Research

Berdasarkan penelitian ini, terdapat beberapa saran penelitian lanjutan yang dapat dieksplorasi. Pertama, perlu dilakukan validasi temuan ini pada dataset yang lebih beragam untuk menguji generalisasi model terhadap berbagai jenis serangan phishing. Kedua, perlu dilakukan perbandingan dengan model-model state-of-the-art lainnya, seperti varian Transformer untuk data tabular, guna mengidentifikasi arsitektur yang paling optimal untuk deteksi phishing. Ketiga, eksplorasi dampak dari rekayasa fitur (feature engineering) terhadap performa kedua jenis model dapat memberikan wawasan berharga dalam meningkatkan akurasi deteksi. Dengan menggabungkan ketiga saran ini, penelitian di masa depan dapat menghasilkan model deteksi phishing yang lebih robust, adaptif, dan efektif dalam menghadapi ancaman siber yang terus berkembang.

References

1. Klasifikasi URL Phishing untuk SIEM: Perbandingan Model Machine Learning XGBoost dan Deep Learning TabNet... pub.nuris.ac.id/sainsdata/article/view/227Klasifikasi URL Phishing untuk SIEM Perbandingan Model Machine Learning XGBoost dan Deep Learning TabNet pub nuris ac sainsdata article view 227
2. Detection of Phishing URLs Based on Machine Learning and Cybersecurity | IEEE Conference Publication... ieeexplore.ieee.org/document/10620574Detection of Phishing URLs Based on Machine Learning and Cybersecurity IEEE Conference Publication ieeexplore ieee document 10620574

Metadata

File size	515.21 KB
Pages	10
DMCA	Report