Publisher

LLDIKTI10LLDIKTI10

Journal SAINS DAN INFORMATIKA : RESEARCH OF SCIENCE AND INFORMATICSAINS DAN INFORMATIKA : RESEARCH OF SCIENCE AND INFORMATIC Abstract

URL sangat banyak berada pada jaringan sistem komputer. Apalagi saat ini semua kegiatan menggunakan sistem online. Mulai dari media sosial, marketplace hingga aplikasi chatting grup. Untuk menangkal banyaknya URL yang beredar di sistem online tersebut, maka dibutuhkan sistem pencegahan dini dari serangan URL berbahaya. Sebelumnya deteksi malicious URL berbasis Blacklisting dan URL Heuristic tidak dapat mengenali malicious URL jenis baru tanpa di analisis terlebih dahulu. Untuk itu diperlukan teknik mendeteksi malicious URL menggunakan machine learning. Kekurangan machine learning dalam pendeteksian malicious URL bahwa tidak 100% dapat mendeteksi malicious URL secara tepat. Pada penelitian ini akan digunakan pendekatan improved random forest dengan random forest sebagai classifier untuk mendeteksi malicious URL. Improved Random Forest merupakan Random Forest yang dipakai menggunakan feature evaluator dan instance filter untuk meningkatkan akurasi dari random forest biasa. Penelitian ini menghasilkan kesimpulan bahwa kedua metode baik improved random forest maupun random forest biasa memiliki nilai akurasi diatas 99%.

Conclusion

Kesimpulan yang diperoleh dari hasil pengujian di atas adalah pertama hasil akurasi dari kedua algoritma di atas kedua algoritma sama-sama memiliki akurasi di atas 99%.Penelitian ini masih bisa dikembangkan lagi dengan menambahkan fitur berbasis konten sebagai informasi pendukung dalam mengklasifikasi malicious URL.

Future Research

Untuk meningkatkan akurasi dan performa model machine learning, penelitian ini mengusulkan pendekatan improved random forest dengan random forest sebagai classifier. Pendekatan ini menggunakan feature evaluator dan instance filter untuk meningkatkan akurasi dari random forest biasa. Selain itu, penelitian ini juga menyarankan untuk mengembangkan penelitian dengan menambahkan fitur berbasis konten sebagai informasi pendukung dalam mengklasifikasi malicious URL. Dengan demikian, sistem pencegahan dini dari serangan URL berbahaya dapat lebih efektif dan akurat dalam mendeteksi malicious URL.

References

1. A Novel Framework for Learning to Detect Malicious Web Pages | IEEE Conference Publication | IEEE Xplore.... doi.org/10.1109/IFITA.2010.173A Novel Framework for Learning to Detect Malicious Web Pages IEEE Conference Publication IEEE Xplore doi 10 1109 IFITA 2010 173
2. Sistem Sistem Informasi Manajemen Surat Berbasis Website di STMIK Pringsewu | SAINS DAN INFORMATIKA :... doi.org/10.22216/jsi.v7i1.340Sistem Sistem Informasi Manajemen Surat Berbasis Website di STMIK Pringsewu SAINS DAN INFORMATIKA doi 10 22216 jsi v7i1 340
3. Prophiler | Proceedings of the 20th international conference on World wide web. prophiler proceedings... doi.org/10.1145/1963405.1963436Prophiler Proceedings of the 20th international conference on World wide web prophiler proceedings doi 10 1145 1963405 1963436

Metadata

File size	700.68 KB
Pages	7
DMCA	Report