Perbandingan Algoritma Random Forest Dan Gradient Boosting Dalam Mendeteksi Link Berbahaya
Abstract
Serangan phishing berbasis URL masih menjadi ancaman siber yang signifikan karena pelaku dapat dengan mudah membuat alamat web palsu yang menyerupai situs resmi. Pendekatan deteksi tradisional seperti blacklist memiliki keterbatasan dalam mengenali URL baru, sehingga dibutuhkan metode yang lebih adaptif. Penelitian ini bertujuan mengembangkan sistem deteksi URL phishing berbasis machine learning serta membandingkan kinerja dua algoritma ensemble, yaitu Random Forest dan Gradient Boosting. Dataset yang digunakan merupakan dataset sekunder dari Kaggle yang berisi sekitar 450,000 URL dengan label benign dan phishing. Data diproses melalui beberapa tahapan, yaitu preprocessing, ekstraksi fitur berbasis struktur URL, pembagian data latih dan data uji, serta penyeimbangan distribusi kelas menggunakan metode Synthetic Minority Over-sampling Technique (SMOTE). Model dievaluasi menggunakan accuracy, precision, recall, F1- score, waktu pelatihan, dan waktu inference. Hasil pengujian menunjukkan bahwa kedua algoritma memiliki performa yang baik dengan tingkat akurasi di atas 98%. Gradient Boosting menghasilkan F1-score tertinggi, yaitu sekitar 97,5%, sedangkan Random Forest waktu pelatihannya lebih singkat. Pada pengujian tanpa SMOTE, Random Forest justru menunjukkan hasil yang sedikit lebih baik dengan F1-score 97,79% dan recall 96,41%. Model kemudian diterapkan ke dalam prototipe sistem berbasis web menggunakan Streamlit. Sistem memungkinkan untuk mengunggah dataset, melatih model, dan melakukan prediksi URL. Hasil penelitian menunjukkan bahwa pendekatan machine learning berbasis fitur struktur URL mampu digunakan secara efektif untuk mendeteksi URL phishing, dan Random Forest dipilih sebagai model terbaik dalam memprediksi URL phishing berdasarkan akurasi dan kemampuan deteksi yang lebih optimal. Kata kunci— phishing, machine learning, Random Forest, Gradient Boosting, deteksi URL, SMOTE
Downloads
References
[1] Anti-Phishing Working Group (APWG), “Anti-Phishing Working Group (APWG) trends report 2023–2025,” [Online]. Available: https://apwg.org/trendsreports. [Accessed: Mar. 21, 2026].
[2] A. R. Kamila, F. Adikara, and C. Herdian, “Pengaruh penambahan fitur dengan perbandingan algoritma berbasis bagging dan boosting pada deteksi phishing link,” JEPIN (Jurnal Edukasi dan Penelitian Informatika), vol. 10, no. 3, pp. 2460–0741, 2024.
[3] A. Pradana and S. Susanto, “Implementasi model machine learning untuk deteksi phishing dengan pendekatan ekstraksi fitur yang dioptimalkan,” Jurnal Teknologi Informasi dan Multimedia, vol. 8, no. 1, pp. 27–40, 2026.
[4] M. Subiyantoro, A. Setiawan, "Desain dan Analisis Metode Pengkondisian Clear and Less Malicious Internet Traffic" Jurnal Ilmiah Teknik Elektro Komputer Dan Informatika (JITEKI), vol. 11, no. 2, pp 322-345, 2025.
[5] N. Rahmeisi, E. Gani, and A. Arfriandi, “Tinjauan literatur: pendekatan machine learning dalam deteksi serangan web,” Jurnal Ilmiah Sistem Informasi, vol. 4, no. 3, pp. 772–791, 2025, doi: 10.51903/3w0vwc80.
[6] F. A. K. Hidayat, N. Sulistianingsih, and R. Hammad, “Perbandingan algoritma XGBoost dan random forest dalam klasifikasi surat masuk pemerintahan,” RIGGS: Journal of Artificial Intelligence and Digital Business, vol. 4, no. 4, pp. 10390–10397, 2026, doi: 10.31004/riggs.v4i4.5044.
[7] M. I. Mazdadi, T. H. Saragih, I. Budiman, and M. N. Anshory, “Peningkatan akurasi model boosting pada prediksi kesehatan tidur menggunakan Optuna,” JIP (Jurnal Informatika Polinema), vol. 12, no. 2, pp. 341–349, 2026.
[8] I. G. P. Wiratama and A. A. I. N. E. Karyawati, “Klasifikasi URL berbahaya menggunakan algoritma random forest berbasis fitur struktural,” Jurnal Nasional Teknologi Informasi dan Aplikasinya (JNATIA), vol. 4, no. 1, pp. 39–46, 2025.
[9] W. B. T. Handaya dan Lukito, “Deteksi Website Phishing Menggunakan Teknik Machine Learning,” Jurnal Informatika Atma Jogja, vol. 6, no. 1, pp. 69–80, 2025.
[10] E. Novianto, E. H. Heri, Rianto, “Keamanan Informasi (Information Security) pada Aplikasi Sistem Informasi Manajemen Sumber Daya Manusia,” Jurnal Rabit, vol. 8, no. 1, pp. 10–15, 2023.
[11] A. F. Mahmud and S. Wirawan, “Deteksi Phishing Website menggunakan Machine Learning Metode Klasifikasi,” Sistemasi: Jurnal Sistem Informasi, vol. 8, no. 1, pp. 1368–1380, 2023.
[12] F. D. Prasetyo, M. Maulana, F. Ramadhan, A. L. Setiabudi, and I. Budiawan, “Analisa Komparasi Kinerja Algoritma K-Nearest Neighbor (K-NN) dan Decision Tree dalam Klasifikasi Situs Web Phising,” Jurnal Pengabdian Masyarakat dan Riset Pendidikan, vol. 4, no. 3, pp. 16587–16591, 2026.
[13] R. Riansyah, D. A. Aptanta, H. Aryanda, M. Farhan, and I. Rusydi, “Implementasi Website Deteksi Phishing Link Menggunakan SSL Validation dan URL Scoring,” Neptunus: Jurnal Ilmu Komputer dan Teknologi Informasi, vol. 4, no. 1, pp. 63–75, 2026.
[14] M. A. B. Dewanto, M. Fathurrahman, D. R. Firdaus, and A. Setiawan, “Penipuan Penambah Followers Instagram: Analisis Serangan Phising dan Dampaknya pada Keamanan Data,” Journal of Internet and Software Engineering, vol. 1, no. 4, pp. 1–11, 2024.
[15] W. A. Kurniawan and A. Salam, “Penggunaan Feature Space SMOTE untuk Mengurangi Overfitting Akibat Imbalance Dataset,” Jurnal Transformatika, vol. 22, no. 2, pp. 140–149, 2025.
[16] C. Paramita, C. S. Simbolon, A. S. Pamungkas, J. M. Triono, E. P. W. Utomo, and E. R. Subhiyakto, “Analisis Pengaruh SMOTE terhadap Kinerja Model KNN untuk Prediksi Risiko Stroke,” Jurnal Informatika: Jurnal Pengembangan IT, vol. 10, no. 4, pp. 978–988, 2025.
[17] A. Ernawati, Z. Sitorus, M. Iqbal, and D. Nasution, “Penerapan data mining untuk klasifikasi penduduk miskin di Kabupaten Labuhanbatu menggunakan random forest dan k-nearest neighbors,” Bulletin of Information Technology (BIT), vol. 6, no. 2, pp. 23–35, 2025.
[18] H. Mulyo and A. K. Zyen, “Pengaruh hyperparameter tuning gradient boosting terhadap prediksi pemilihan program studi mahasiswa baru,” Bulletin of Computer Science Research, vol. 5, no. 2, pp. 131–137, 2025.
[19] F. A. Rangkuti, Khairunnisa, and S. Sundari, “Implementasi gradient boosting machines untuk prediksi harga rumah pada Jakarta Selatan,” Jurnal Kecerdasan Buatan dan Teknologi Informasi, vol. 4, no. 2, pp. 164–172, 2025.
[20] R. Ridwan, H. H. Handayani, S. A. P. Lestari, and Y. Cahyana, “Evaluasi kinerja algoritma random forest dan gradient boosting untuk klasifikasi penyakit jantung,” Jurnal Komtika (Komputasi dan Informatika), vol. 9, no. 1, pp. 112–124, 2025.
[21] S. Helmiyah, R. Pramestiawan, “Analisis komparatif algoritma machine learning dengan metrik akurasi, presisi, recall, dan F1-score pada dataset kacang kering,” Jurnal IKOMTI, vol. 6, no. 3, pp. 152–159, 2025.
[22] Kaggle, “Malicious And Benign URLs” Siddharth Kumar [Online] Available: https://www.kaggle.com/datasets/siddharthkumar25/malicious-and-benign-urls. [Accessed: Feb. 11, 2026].
