Pencegahan Serangan Siber melalui Deteksi URL Phising Menggunakan Model CNN Berbasis Deep Learning dengan Tingkat Akurasi Optimal

Abstrak

Serangan phishing yang memanfaatkan URL berbahaya terus meningkat dan menjadi ancaman serius bagi keamanan data pengguna. Teknik deteksi tradisional seperti blacklist sering kali tidak mampu mengikuti perubahan pola phishing yang semakin dinamis. Berdasarkan kondisi tersebut, penelitian ini dilakukan untuk mengembangkan metode deteksi URL phising berbasis Convolutional Neural Network (CNN) sebagai pendekatan deep learning yang lebih adaptif.Dalam penelitian ini, struktur URL diekstraksi menjadi fitur karakter yang kemudian direpresentasikan dalam bentuk input yang sesuai untuk model CNN. Model dilatih menggunakan dataset yang berisi URL phishing dan URL benign dari sumber publik, kemudian dievaluasi melalui proses validasi dan pengujian menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa CNN mampu mengenali pola-pola URL berbahaya dengan tingkat akurasi tinggi 96.7% presisi 94.8%, dan recall 95.5%. Sistem menggabungkan deep learning dengan logic berbasis aturan heuristic untuk meningkatkan kepercayaan terhadap prediksi. Penggunaan CNN terbukti efektif dalam mendeteksi URL phishing secara otomatis dan memberikan performa yang lebih baik dibandingkan metode tradisional. tanpa memerlukan rekayasa fitur yang rumit.Secara keseluruhan, penggunaan CNN terbukti efektif dalam mendeteksi URL phising secara otomatis dan memberikan performa yang lebih baik dibandingkan metode tradisional. Temuan ini menunjukkan bahwa pendekatan deep learning, khususnya CNN, memiliki potensi besar untuk diterapkan pada sistem keamanan siber modern yang membutuhkan mekanisme deteksi cepat, adaptif, dan akurat.Mengahasilkan dua URL yang Terdiri dari URL LAman dan URL Terkena Phising dengan Akurasi Tinggi Hingga 96.7%