KLASIFIKASI WEB PHISHING BERBASIS URL DENGAN XGBOOST MENGGUNAKAN METODE HYBRID FEATURE SELECTION DAN OPTIMASI MODEL DENGAN CROSS-VALIDATION

Meningkatnya penetrasi internet di Indonesia turut mendorong peningkatan
kejahatan siber, terutama serangan phishing yang menipu korban untuk memberikan
informasi pribadi melalui situs web palsu. Penelitian ini bertujuan untuk
mengklasifikasikan situs web phishing berbasis fitur URL menggunakan algoritma
XGBoost, yang dioptimalkan melalui metode hybrid feature selection dan cross- validation. Metode hybrid yang menggabungkan teknik filter dan wrapper diterapkan
untuk memilih fitur paling relevan, sementara cross-validation digunakan untuk
memastikan generalisasi model dan mencegah overfitting. Hasil penelitian
menunjukkan bahwa model tanpa seleksi fitur mencapai akurasi tertinggi sebesar
97,00%. Namun, model dengan hybrid feature selection menunjukkan hasil yang sangat
kompetitif dengan efisiensi yang jauh lebih baik; konfigurasi MI+SFS(50-20) berhasil
mencapai akurasi 96,46% hanya dengan menggunakan 20 fitur, sebuah reduksi fitur
lebih dari 82%. Stabilitas model juga terkonfirmasi melalui cross-validation dengan gap
performa hanya 0.0001, serta pengujian pada data dunia nyata mencapai akurasi 81%. Dengan demikian, pendekatan ini terbukti berhasil meningkatkan akurasi deteksi
phishing secara efisien, sehingga dapat berkontribusi dalam memperkuat keamanan
siber dan melindungi data pribadi pengguna internet di Indonesia. Kata kunci: Phishing, Data Mining, Klasifikasi URL, XGBoost, Hybrid Feature
Selection, Cross-Validation