Penelitian ini bertujuan mengklasifikasikan website phishing berbasis gambar menggunakan transfer learning dengan arsitektur VGG16 dan VGG19 serta menginterpretasikan hasil prediksi menggunakan Grad-CAM. Dataset Phish-IRIS yang digunakan terdiri dari 2.852 gambar screenshot website dengan 15 kelas. Tahap preprocessing meliputi resize, normalisasi, data augmentation, stratified split (70:15:15), dan penerapan class weight. Evaluasi dilakukan menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil menunjukkan bahwa VGG16 pada Skenario 1 memberikan performa terbaik dengan accuracy, precision, recall, dan F1-score sebesar 95%, sedangkan VGG19 pada Skenario 5 memperoleh 94%. Visualisasi Grad-CAM menunjukkan bahwa model berfokus pada area penting seperti logo, formulir login, dan identitas brand. Hasil penelitian membuktikan bahwa VGG16 dan VGG19 mampu mengklasifikasikan website phishing dengan baik serta menghasilkan prediksi yang dapat diinterpretasikan. 

Klasifikasi Website Phishing Menggunakan Convolutional Neural Network (CNN) dengan Transfer Learning Berbasis Arsitektur VGG16 dan Visualisasi Grad-CAM

Muhammad Faizal

KLASIFIKASI WEBSITE PHISHING MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK (CNN) DENGAN  TRANSFER LEARNING BERBASIS ARSITEKTUR VGG16  DAN VISUALISASI GRAD-CAM

KLASIFIKASI WEBSITE PHISHING MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK (CNN) DENGAN TRANSFER LEARNING BERBASIS ARSITEKTUR VGG16 DAN VISUALISASI GRAD-CAM

Kreator & Penulis