PTTIPTTI

Journal of Fuzzy Systems and ControlJournal of Fuzzy Systems and Control

Peningkatan proliferasi smartphone memicu peningkatan akses data dan mobilitas, namun juga membuka pintu bagi serangan siber, khususnya phishing. Penelitian ini mengusulkan model pembelajaran bertumpuk (stacked learning) untuk mengklasifikasikan luring (tawar-menawar) berbahaya di situs phishing. Model hibrida ini menggabungkan tiga pembelajar dasar—Genetic Algorithm, Random Forest, dan Modular Neural Network—yang output-nya menjadi input bagi meta‑regressor XGBoost. Untuk menangani ketidakseimbangan dataset, teknik SMOTE‑Tomek digunakan, sedangkan pemilihan fitur dioptimalkan dengan Relief Rank. Hasilnya, model mencapai F1 0.995, Akurasi 1.000, Recall 0.998, dan Precision 1.000 pada 3.591 data uji yang disandikan. Sebandingkan dengan metode benchmark, model ini menunjukkan keunggulan signifikan dalam akurasi, presisi, dan sensitivitas. Penelitian ini menyumbang kerangka kerja ringan namun efektif untuk deteksi phishing yang dapat diimplementasikan pada skala besar.

Penelitian ini berhasil menyusun hibrida pembelajaran bertumpuk yang memanfaatkan Genetic Algorithm, Random Forest, dan Modular Neural Network sebagai pembelajar dasar, dan XGBoost sebagai meta‑regressor, untuk mengklasifikasikan situs phishing dengan akurasi 99.7 % dan presisi 100 % pada data uji.Teknik SMOTE‑Tomek menyeimbangkan kelas minoritas, sehingga meningkatkan recall dan F1-score.Model ini menunjukkan generalisasi superior dibandingkan dengan benchmark, mengecilkan kesalahan positif palsu.Penggunaan fitur Relief‑Rank membantu memperkecil dimensi dataset tanpa mengorbankan performa, sehingga model lebih efisien dan mudah diinterpretasi.

Penelitian lanjutan dapat mengkaji penerapan model ini pada skenario multi‑kelas dengan memperkenalkan fitur multimodal, seperti metadata gambar dan perilaku pengguna, untuk melihat apakah kinerja tetap tinggi ketika melibatkan berbagai jenis serangan siber. Selain itu, mengevaluasi efektivitas model dalam kondisi real‑time pada jaringan mobile dapat membuka jalan bagi sistem deteksi phishing yang responsif dan terintegrasi secara langsung ke perangkat pengguna. Selanjutnya, eksperimen dengan strategi augmentasi data berbasis generative adversarial networks (GAN) dapat dipertimbangkan untuk mengatasi keterbatasan dataset, membantu model belajar pola serangan yang lebih beragam dan sulit dideteksi, sehingga meningkatkan ketahanan sistem keamanan web.

  1. RICE DISEASE RECOGNITION USING TRANSFER LEARNING XCEPTION CONVOLUTIONAL NEURAL NETWORK | Jurnal Teknik... jutif.if.unsoed.ac.id/index.php/jurnal/article/view/1529RICE DISEASE RECOGNITION USING TRANSFER LEARNING XCEPTION CONVOLUTIONAL NEURAL NETWORK Jurnal Teknik jutif if unsoed ac index php jurnal article view 1529
  2. Game-Theory-Based Analysis of Key Factors Influencing Saudi Consumer Trust in E-commerce | IEEE Conference... doi.org/10.1109/HORA61326.2024.10550488Game Theory Based Analysis of Key Factors Influencing Saudi Consumer Trust in E commerce IEEE Conference doi 10 1109 HORA61326 2024 10550488
  3. Investigating Data Balancing Effects for Enhanced Behavioural Risk Detection in Cervical Cancer Using... doi.org/10.37933/nipes/7.2.2025.24Investigating Data Balancing Effects for Enhanced Behavioural Risk Detection in Cervical Cancer Using doi 10 37933 nipes 7 2 2025 24
  4. Adaptive Learner-CBT with Secured Fault-Tolerant and Resumption Capability for Nigerian Universities.... thesai.org/Publications/ViewPaper?Volume=14&Issue=8&Code=IJACSA&SerialNo=16Adaptive Learner CBT with Secured Fault Tolerant and Resumption Capability for Nigerian Universities thesai Publications ViewPaper Volume 14 Issue 8 Code IJACSA SerialNo 16
Read online
File size869.8 KB
Pages9
DMCAReport

Related /

ads-block-test