Klasifikasi Link Phishing Pada QR Code Menggunakan Arsitektur Multi-tier Berbasis Algoritma Random Forest
Abstract
Transformasi digital mengubah interaksi siber namun memicu ancaman rekayasa sosial baru seperti quishing atau QR Phishing. Metode ini memanfaatkan kemudahan kode QR untuk menyamarkan tautan berbahaya dari sistem keamanan otomatis. Keterbatasan metode blacklist dan model klasifikasi selapis terhadap manipulasi visual mendesak adanya solusi pertahanan yang lebih fleksibel dan komprehensif. Penelitian ini menerapkan sistem deteksi multi-tier berbasis algoritma Random Forest yang dilengkapi kemampuan pemindaian kode QR untuk memperluas jangkauan deteksi terhadap ancaman siber. Metodologi yang digunakan mencakup ekstraksi fitur leksikal URL, penggunaan Trusted Link Dataset yang terdiri dari 12 juta entri, serta pengolahan citra QR untuk mengekstrak tautan tersembunyi. Hasil pengujian menunjukkan bahwa model Random Forest yang diterapkan dalam sistem ini mampu mencapai tingkat akurasi sebesar 86%. Integrasi mekanisme deteksi berlapis ini terbukti efektif dalam memitigasi berbagai vektor serangan siber modern yang tidak terdeteksi oleh sistem statis, sekaligus memberikan kontribusi nyata bagi pengembangan sistem keamanan siber yang lebih kuat melalui pendekatan klasifikasi cerdas.
Downloads
References
E. Susanto, Lady Antira, K. Kevin, E. Stanzah, and A. A. Majid, “Manajemen Keamanan Cyber di Era Digital,” Journal of Business and Entrepreneurship, vol. 11, no. 1, pp. 23–33, 2023, doi: 10.46273/job&e.v11i1.365.
F. C. Y. Y. Pangalila, C. H. J. De Fretes, and R. O. C. Seba, “Peran National Central Bureau (NCB)-Interpol Indonesia dalam Penanganan Cybercrime (Romance Scam) Tahun 2018-2021,” Intermestic: Journal of International Studies, vol. 8, no. 1, p. 356, Nov. 2023, doi: 10.24198/intermestic.v8n1.17.
A. D. Harahap, D. Juardi, and A. S. Y. Irawan, “RANCANG BANGUN SISTEM PENDETEKSI LINK PHISHING MENGGUNAKAN ALGORITMA RANDOM FOREST BERBASIS WEB,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 12, no. 3, pp. 2677–686, Aug. 2024, doi: 10.23960/jitet.v12i3.4858.
A. Aman, “Pengujian Keamanan Jaringan Nirkabel Melalui Simulasi Serangan Man In The Middle Attack Di Sekolah XYZ,” Digital Transformation Technology, vol. 3, no. 2, pp. 824–831, Dec. 2023, doi: 10.47709/digitech.v3i2.3378.
A. Bichnigauri, I. Kartvelishvili, L. Shonia, D. Bichnigauri, and O. Gudadze, “Unveiling Quishing: The Dark Side of QR Codes in Cyber attacks,” თავდაცვა და მეცნიერება, vol. 2, Dec. 2023, doi: 10.61446/ds.2.2023.7412.
F. Sharevski, A. Devine, E. Pieroni, and P. Jachim, “Gone Quishing: A Field Study of Phishing with Malicious QR Codes,” Apr. 2022, [Online]. Available: http://arxiv.org/abs/2204.04086
M. Weinz, N. Zannone, L. Allodi, and G. Apruzzese, “The Impact of Emerging Phishing Threats: Assessing Quishing and LLM-generated Phishing Emails against Organizations,” in Proceedings of the ACM Conference on Computer and Communications Security, Association for Computing Machinery, Aug. 2025, pp. 1550–1566. doi: 10.1145/3708821.3736195.
S. Tandel, J. Chordiya, and P. S. H. Patil, “Tricked by the Square: Investigating the Rise and Reach of Quishing Attacks,” Int. J. Res. Appl. Sci. Eng. Technol., vol. 13, no. 4, pp. 1823–1837, Apr. 2025, doi: 10.22214/ijraset.2025.68660.
A. Prana Walidin et al., “KALI LINUX SEBAGAI ALAT ANALISIS KEAMANAN JARINGAN MELALUI PENGGUNAAN NMAP, WIRESHARK, DAN METASPLOIT,” Feb. 2025. doi: https://doi.org/10.36040/jati.v9i1.12661.
S. N. Adzimi, H. A. Alfasih, F. N. G. Ramadhan, S. N. Neyman, and A. Setiawan, “Implementasi Konfigurasi Firewall dan Sistem Deteksi Intrusi menggunakan Debian,” Journal of Internet and Software Engineering, vol. 1, no. 4, pp. 1–12, Jun. 2024, doi: 10.47134/pjise.v1i4.2681.
R. Fauzan, A. V. Vitianingsih, D. Cahyono, A. L. Maukar, and Y. A. B. Suprio, “Penerapan Algoritma Klasifikasi pada Machine Learning untuk Deteksi Phishing,” MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 5, no. 2, pp. 531–540, Mar. 2025, doi: 10.57152/malcom.v5i2.1968.
A. F. Mahmud and S. Wirawan, “Deteksi Phishing Website menggunakan Machine Learning Metode Klasifikasi,” Jul. 2024. doi: https://doi.org/10.32520/stmsi.v13i4.3456.
A. Ferdita Nugraha, R. Faticha, A. Aziza, and Y. Pristyanto, “Penerapan metode Stacking dan Random Forest untuk Meningkatkan Kinerja Klasifikasi pada Proses Deteksi Web Phishing,” Jurnal Infomedia : Teknik Informatika, Multimedia, dan Jaringan, vol. 7, no. 1, pp. 39–44, Jun. 2022, doi: http://dx.doi.org/10.30811/jim.v7i1.2959.
G. Sinulingga, “Kajian Penipuan Social Engineering dalam Logistik E Commerce: Studi Kasus QRIS dan Airwaybiil Paket di Indonesia,” Dec. 2025. doi: 10.64694/jmrbi.v14i03.159.
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, Jan. 2026, doi: 10.35746/jtim.v8i1.881.
R. P. Erdiyanto, “PENIPUAN MENGATASNAMAKAN BANK BERBENTUK PHISING,” 2023. [Online]. Available: https://jig.rivierapublishing.id/index.php/rv/index
R. Diana, H. Warni, and T. Sutabri, “PENGGUNAAN TEKNOLOGI MACHINE LEARNING UNTUK PELAYANAN MONITORING KEGIATAN BELAJAR MENGAJAR PADA SMK BINA SRIWIJAYA PALEMBANG,” JUTEKIN (Jurnal Teknik Informatika), vol. 11, no. 1, Jun. 2023, doi: 10.51530/jutekin.v11i1.709.
S. Mahmuda, “Implementasi Metode Random Forest pada Kategori Konten Kanal Youtube,” Jurnal Jendela Matematika, vol. 2, 2024.
M. Prima and P. Silitonga, “IMPLEMENTASI KODE QR PENGIRIMAN KARTU HASIL STUDI MAHASISW,” 2018.
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
