Implementasi Metode Naive Bayes Untuk Klasifikasi Tautan Berbahaya Pada Layanan URL Shortener Berbasis Website

ZULFIKAR ALIP TAKASIHAENG. Implementasi Metode Naïve Baye
Perkembangan internet mempermudah akses informasi, namun juga meningkatkan
risiko penyebaran konten berbahaya seperti perjudian daring dan pornografi.
Penelitian ini bertujuan untuk mengembangkan sistem deteksi tautan berbahaya
berbasis Machine Learning yang terintegrasi dengan layanan pemendek URL untuk
mengklasifikasikan konten situs web secara otomatis. Sistem menggunakan
pendekatan content-aware dengan memanfaatkan metadata situs web berupa title,
description, keywords, dan body text sebagai fitur utama dalam proses klasifikasi.
Metode yang digunakan adalah Naive Bayes dengan ekstraksi fitur menggunakan
Term Frequency–Inverse Document Frequency (TF-IDF). Dataset penelitian terdiri
dari 2.167 data yang dibagi ke dalam tiga kategori, yaitu aman, judi daring, dan
pornografi. Data diproses melalui tahapan preprocessing, transformasi TF-IDF,
serta pembagian data menggunakan stratified train-test split dengan rasio 70?ta
latih dan 30?ta uji. Evaluasi model dilakukan menggunakan metrik akurasi,
presisi, recall, F1-Score, confusion matrix, dan 5-Fold Cross Validation. Hasil
pengujian menunjukkan bahwa model mencapai akurasi sebesar 93,63?ngan
nilai Cross Validation 0,8335 ± 0,0235. Hasil tersebut menunjukkan bahwa model
mampu mengklasifikasikan konten situs web dengan baik serta memiliki kinerja
yang stabil. Sistem yang dikembangkan dapat digunakan untuk mendukung deteksi
otomatis konten berbahaya pada layanan pemendek URL berbasis web.
Kata Kunci: Naïve Bayes, deteksi konten berbahaya, klasifikasi teks, Machine
Learning, TF-IDF, URL Shortener.