Nama : Abdullah Fajar Program Studi : Doktor Ilmu Komputer Judul : Nilai Penting Dan Penjelasan Fitur Pada Pengayaan Pendeteksian Web Phishing Menggunakan Pendekatan Explainable Artificial Intelligence Promotor : Prof., Dr. Indra Budi, S.Kom, M.Kom Ko-Promotor : Setiadi Yazid, Ph.D Secara umum praktik praktik web phishing semakin kompleks dan sulit dideteksi, sehingga diperlukan pendekatan yang lebih maju untuk menghadapinya. Selain itu kesadaran dan kepercayaan pengguna terhadap sistem deteksi phishing perlu ditingkatkan dalam kerangka pemahaman tentang bagaimana sistem pendeteksian bekerja dan alasan di balik hasil yang diberikan. Penelitian penggunaan metode pendeteksian phishing menggunakan Machine Learning sifat pemrosesannya masih berupa Black-box yaitu proses pengambilan keputusannya tidak diketahui. Penelitian ini bertujuan membantu memberikan penjelasan pemahaman terhadap hasil pendeteksian phishing. Pendekatan XAI (eXplainable Artificial Intelligence) untuk pendeteksian phishing memberikan tambahan penjelasan fitur-fitur yang diekstraksi dari web berupa URL dan struktur HTML yang berkontribusi dalam hasil pendeteksian phishing. Selain memberikan kejelasan kontribusi juga dapat digunakan untuk menilai model menggunakan metrik kinerja, dan efek kausalitas dari fitur-fitur tersebut. Penelitian menggunakan kombinasi algoritma yang termasuk dalam model White-box seperti algoritma Explainable Boosting Machine (EBM) dan model Black-box populer yaitu Random Forest, XGBoost dan CatBoost. Algoritma tersebut akan diukur dan dibandingkan kinerjanya pada sekumpulan dataset Phishing bersumber dari beberapa situs. Selain diukur kinerjanya, model yang dihasilkan diuraikan atau dijelaskan menggunakan metode XAI yaitu SHAP (Shapley Additives exPlanation). Adapun penjelasan hasil XAI divisualisasikan menggunakan Plot Nilai Penting Fitur dan Efek Kasualitas Model. Setiap Plot yang dihasilkan dianalisis dan dirangkum untuk mendapatkan temuan atau jawaban atas pertanyaan riset yang relevan. Hasil yang didapatkan dari penelitian ini menunjukkan beberapa temuan penting bahwa ada korelasi dimensi dataset dengan metrik kinerja. Dari metrik penjelas, plot Nilai Penting Fitur memberikan beberapa gambaran kemampuan model terhadap dataset baru dan juga memberikan rekomendasi fitur-fitur yang perlu digunakan kembali dalam model. Penjelasan hasil metode XAI bersifat global artinya merupakan gambaran utuh perilaku dan kontribusi fitur terhadap model. Secara umum algoritma Black-box XGBoost mempunyai kinerja yang baik. Dalam perspektif fitur dalam dataset phishing, Fitur-fitur seperti url_length, n_slash, n_dots, SSLfinal_State, dan URL_of_anchor konsisten menjadi fitur paling signifikan di berbagai model.