Prosiding Seminar Nasional KARSA NUSANTARA Kolaborasi Rekayasa dan Sains Nasional untuk Teknologi.
Riset, dan Kecerdasan Buatan Fakultas Teknik.
Universitas Wijaya Kusuma Surabaya ISSN 3090-1154 (Media Onlin.
Volume 2.
Tahun 2025 Analisis Dan Perancangan Sistem Pendeteksian Phishing Berbasis AI Pada Platform Whatsapp Dengan Pendekatan Bahasa Lokal Surabaya Fahmi Mochtar Efendi*1.
Firman Hadi Sukma Pratama2 1,2 Program Studi Informatika.
Fakultas Teknik Universitas Wijaya Kusuma Surabaya Email: 1fahmiefendi644@gmail.
com, 2firmanpratama@uwks.
*Penulis Koresponden Abstrak Phishing merupakan salah satu bentuk kejahatan siber yang sering terjadi melalui platform pesan instan seperti WhatsApp.
Pesan phishing memanfaatkan teknik manipulasi bahasa untuk mengecoh pengguna, terutama dalam konteks lokal yang menggunakan bahasa daerah.
Penelitian ini bertujuan untuk menganalisis dan merancang sistem deteksi phishing berbasis Artificial Intelligence (AI) dengan pendekatan bahasa lokal Surabaya.
Sistem ini dibangun dengan memanfaatkan model pemrosesan bahasa alami (Natural Language Processin.
untuk memahami dan mengenali pola-pola phishing dalam dialek Surabaya.
Dataset dikumpulkan dari simulasi pesan phishing dan nonphishing yang disusun menggunakan kosakata khas Surabaya.
Model AI dilatih menggunakan algoritma klasifikasi seperti TF-IDF (Term FrequencyAeInverse Document Frequenc.
dan Logistic Regression.
Hasil analisis menunjukkan bahwa pendekatan bahasa lokal meningkatkan akurasi sistem dalam mendeteksi phishing dibandingkan dengan pendekatan bahasa Indonesia umum.
Rancangan sistem ini diharapkan dapat meningkatkan kesadaran dan perlindungan masyarakat lokal terhadap ancaman phishing digital yang kian berkembang.
Kata kunci: AI, bahasa lokal.
NLP, phishing.
WhatsApp.
Abstract Phishing is one of the most common forms of cybercrime, frequently occurring through instant messaging platforms such as WhatsApp.
Phishing messages often exploit language manipulation techniques to deceive users, especially within local contexts that involve the use of regional dialects.
This study aims to analyze and design a phishing detection system based on Artificial Intelligence (AI) with a focus on the Surabaya local dialect.
The system is built using Natural Language Processing (NLP) models to understand and recognize phishing patterns in Surabaya dialect expressions.
The dataset was compiled from simulated phishing and non-phishing messages composed using typical Surabaya vocabulary.
The AI model was trained using classification algorithms such as Naive Bayes and Support Vector Machine (SVM).
The analysis shows that incorporating local language approaches improves the systemAos accuracy in detecting phishing compared to general Indonesian language models.
This system design is expected to raise awareness and enhance digital security for local communities against the growing threat of phishing.
Keywords: AI, local language.
NLP, phishing.
WhatsApp.
PENDAHULUAN
Latar Belakang Dalam era digital saat ini, phishing menjadi salah satu ancaman siber paling umum dan merugikan, terutama melalui platform komunikasi instan seperti WhatsApp.
Modus operandi dari phishing biasanya melibatkan pesan manipulatif yang bertujuan untuk mencuri informasi sensitif pengguna, seperti kredensial akun, data pribadi, atau akses ke sistem keuangan.
Banyak kasus menunjukkan bahwa teknik yang digunakan dalam phishing tidak hanya bersifat teknis, namun juga eksploitasi bahasa, terutama ketika pelaku menyasar komunitas lokal dengan pendekatan yang lebih personal dan familiar secara kultural.
Di Indonesia, khususnya di daerah Surabaya, penggunaan bahasa lokal atau dialek khas dalam komunikasi sehari-hari sangat dominan.
Hal ini turut dimanfaatkan oleh pelaku phishing untuk menyusun pesan yang terkesan akrab dan meyakinkan, sehingga memperbesar kemungkinan korban untuk terjebak.
Sayangnya, sebagian besar sistem deteksi phishing yang ada saat ini hanya dibangun untuk mengenali teks Halaman - 267 Prosiding Seminar Nasional KARSA NUSANTARA Kolaborasi Rekayasa dan Sains Nasional untuk Teknologi.
Riset, dan Kecerdasan Buatan Fakultas Teknik.
Universitas Wijaya Kusuma Surabaya ISSN 3090-1154 (Media Onlin.
Volume 2.
Tahun 2025 dalam Bahasa Indonesia formal atau Bahasa Inggris, sehingga kurang efektif dalam mengenali pola bahasa Menanggapi tantangan tersebut, penelitian ini merancang dan membangun sebuah sistem pendeteksi phishing berbasis Artificial Intelligence (AI) yang terintegrasi dengan platform WhatsApp dan memiliki kemampuan memahami bahasa lokal Surabaya.
Sistem ini memanfaatkan pendekatan Natural Language Processing (NLP) untuk mengenali karakteristik pesan phishing dari dataset yang disusun berdasarkan kosakata khas Surabaya, kemudian diklasifikasikan menggunakan algoritma seperti TF-IDF dan Logistic Regression .
Sistem dikembangkan dalam bentuk API berbasis FastAPI yang dapat menerima pesan secara real-time dari WhatsApp, menganalisisnya melalui model AI, menyimpan hasilnya ke database MySQL, dan memberikan respon berupa peringatan phishing kepada pengguna.
Dengan pendekatan ini, sistem tidak hanya mendeteksi phishing secara otomatis, tetapi juga mengintegrasikan konteks lokal yang lebih relevan dengan target masyarakat pengguna.
Diharapkan, melalui perancangan sistem ini, masyarakat lokal dapat memperoleh perlindungan yang lebih baik terhadap ancaman phishing, serta meningkatkan kesadaran digital dalam menghadapi manipulasi pesan yang bersifat sosial-teknikal.
METODE PENELITIAN
Arsitektur Sistem Sistem pendeteksi pesan phishing pada platform WhatsApp ini dirancang dengan memanfaatkan pendekatan Natural Language Processing (NLP) berbasis model IndoBERT, serta diintegrasikan dengan chatbot WhatsApp untuk otomatisasi proses deteksi dan penanganan .
Arsitektur sistem secara umum terdiri dari empat komponen utama, yaitu: modul bot WhatsApp, backend server (FastAPI), model deteksi phishing berbasis IndoBERT, dan penyimpanan basis data lokal menggunakan MySQL.
Alur sistem dapat dijelaskan sebagai berikut:
Pengiriman Pesan oleh Pengguna Pengguna mengirimkan pesan melalui WhatsApp ke dalam grup.
Bot WhatsApp yang dibangun menggunakan Node.
js dengan pustaka whatsapp-web.
js, secara otomatis mendeteksi dan meneruskan setiap pesan masuk ke backend untuk dianalisis.
Pemrosesan Pesan oleh Backend Backend dikembangkan menggunakan FastAPI (Pytho.
yang berfungsi menerima pesan, melakukan pra-pemrosesan teks, serta mengirimkan pesan tersebut ke model deteksi phishing.
Klasifikasi Pesan dengan IndoBERT Pesan yang masuk akan diproses menggunakan model IndoBERT yang telah dilatih untuk mengenali pola bahasa phishing, termasuk konteks lokal berbahasa Surabaya.
Model akan mengklasifikasikan pesan ke dalam kategori AuphishingAy atau Aunon-phishingAy.
Penanganan Pesan Phishing Jika pesan terdeteksi sebagai phishing, maka sistem akan secara otomatis:
Menghapus pesan dari grup WhatsApp, .
Mengirimkan salinan pesan tersebut ke grup admin untuk pengawasan lebih lanjut, .
Menyimpan data pesan, waktu kejadian, dan informasi pengirim ke dalam basis data lokal berbasis MySQL.
Penyimpanan dan Logging Semua data pesan yang terklasifikasi sebagai phishing akan disimpan untuk keperluan log, analisis lanjutan, atau pelaporan.
Penyimpanan dilakukan pada sistem lokal dengan skema basis data yang telah dirancang sebelumnya .
hatsapp_ai_schema.
Halaman - 268 Prosiding Seminar Nasional KARSA NUSANTARA Kolaborasi Rekayasa dan Sains Nasional untuk Teknologi.
Riset, dan Kecerdasan Buatan Fakultas Teknik.
Universitas Wijaya Kusuma Surabaya ISSN 3090-1154 (Media Onlin.
Volume 2.
Tahun 2025 Gambar 1.
Arsitektur Sistem Secara Umum Dataset dan Preprocessing Dalam penelitian ini, dataset yang digunakan terdiri dari kumpulan pesan teks dalam bahasa Indonesia dan variasi lokal bahasa Surabaya yang berpotensi mengandung unsur phishing.
Dataset diperoleh melalui dua metode, yaitu:
Pengumpulan Data Simulasi Dataset awal dikumpulkan secara manual dari simulasi pesan-pesan phishing yang umum terjadi di platform WhatsApp, seperti ajakan mengikuti tautan palsu, permintaan OTP, dan penipuan berkedok Beberapa pesan disesuaikan dalam bentuk bahasa informal khas Surabaya untuk mengakomodasi konteks lokal .
Sumber Data Tambahan Untuk memperkaya variasi dan validitas data, digunakan pula data publik dari dataset phishing teks Indonesia, yang kemudian dikurasi untuk memastikan relevansi dan kesesuaian dengan konteks komunikasi WhatsApp.
Preprocessing Tahapan preprocessing dilakukan sebelum data dimasukkan ke dalam model IndoBERT.
Proses ini meliputi:
Tokenisasi untuk memecah teks menjadi token atau kata-kata, dengan mempertahankan struktur kalimat asli agar sesuai dengan format input IndoBERT.
Pembersihan Teks untuk menghapus karakter khusus, emoji.
URL shortener, dan simbol yang tidak .
Normalisasi Bahasa dengan mengubah istilah lokal Surabaya ke dalam bentuk yang dapat dikenali oleh model, namun tetap mempertahankan gaya bahasa agar deteksi kontekstual tetap akurat.
Labeling data dilabeli secara biner dengan dua kelas, yaitu AuphishingAy dan Aunon-phishingAy.
Model dilatih dan diuji menggunakan skema train-test split dengan proporsi 80:20.
Evaluasi performa dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score.
Pengembangan Sistem dan Integrasi Sistem pendeteksi phishing ini dikembangkan berbasis arsitektur modular, yang mengintegrasikan model IndoBERT dengan layanan WhatsApp melalui pendekatan API.
Secara garis besar, sistem terdiri dari empat komponen utama: .
Backend Deteksi AI, .
Integrasi WhatsApp Bot, .
Notifikasi ke Grup Admin, dan .
Penyimpanan Data Lokal.
Backend Deteksi AI (FastAPI IndoBERT) Modul backend dikembangkan menggunakan FastAPI dengan Python sebagai bahasa pemrograman utama .
Model deteksi menggunakan IndoBERT yang telah dilatih sebelumnya dan difinetune dengan Halaman - 269 Prosiding Seminar Nasional KARSA NUSANTARA Kolaborasi Rekayasa dan Sains Nasional untuk Teknologi.
Riset, dan Kecerdasan Buatan Fakultas Teknik.
Universitas Wijaya Kusuma Surabaya ISSN 3090-1154 (Media Onlin.
Volume 2.
Tahun 2025 data lokal.
Modul ini bertugas melakukan inferensi terhadap pesan yang diterima untuk menentukan apakah mengandung unsur phishing.
Integrasi WhatsApp Bot (Node.
Untuk interaksi dengan platform WhatsApp, digunakan library berbasis Node.
js seperti whatsappweb.
Bot ini berjalan secara headless dan memantau pesan masuk di grup yang telah didaftarkan.
Pesan yang masuk akan dikirim ke server FastAPI melalui HTTP request untuk dilakukan proses .
Sistem Notifikasi Otomatis Jika suatu pesan terdeteksi sebagai phishing, sistem akan secara otomatis:
Mengirimkan peringatan ke grup admin WhatsApp berisi informasi pengirim, isi pesan, dan status .
Memberikan peringatan kepada pengirim pesan di grup utama.
Menyimpan log deteksi ke dalam basis data lokal.
Penyimpanan dan Logging (MySQL) Seluruh data hasil deteksi, termasuk pesan, label deteksi, timestamp.
ID pengirim, dan ID grup, disimpan dalam basis data lokal menggunakan MySQL.
Hal ini dilakukan untuk keperluan audit, retraining model, dan pengembangan lanjutan.
Gambar 2.
Diagram Alur Sistem Pendeteksian Phising Arsitektur Sistem Arsitektur sistem dalam penelitian ini dirancang secara terdistribusi dan modular untuk memungkinkan integrasi yang fleksibel antara berbagai komponen utama.
Sistem terdiri dari empat lapisan utama yang saling terhubung:
Lapisan Antarmuka (Interface Laye.
Lapisan ini berfungsi sebagai pintu masuk sistem, diwakili oleh platform WhatsApp.
Pengguna berinteraksi melalui grup WhatsApp, baik sebagai pengirim pesan maupun sebagai admin penerima Bot WhatsApp akan membaca pesan-pesan yang masuk dari platform ini.
Lapisan Bot WhatsApp (Integration Laye.
Mendeteksi pesan yang masuk secara real-time.
Mengirimkan isi pesan dan metadata ke server deteksi (FastAPI).
Menyampaikan kembali notifikasi dari server ke grup admin dan/atau pengguna.
Lapisan Backend dan Deteksi (Processing Laye.
Lapisan ini merupakan inti dari sistem, dikembangkan menggunakan FastAPI (Pytho.
Di dalamnya .
API endpoint untuk menerima pesan dari bot.
Modul pemrosesan teks berbasis model IndoBERT yang telah difinetune.
Logika untuk memutuskan apakah sebuah pesan termasuk phishing atau tidak.
Lapisan Penyimpanan (Data Laye.
Lapisan ini bertanggung jawab menyimpan hasil deteksi ke dalam basis data lokal (MySQL).
Informasi yang disimpan meliputi:
Teks pesan .
Status deteksi .
hishing / tida.
Tanggal dan waktu Halaman - 270 Prosiding Seminar Nasional KARSA NUSANTARA Kolaborasi Rekayasa dan Sains Nasional untuk Teknologi.
Riset, dan Kecerdasan Buatan Fakultas Teknik.
Universitas Wijaya Kusuma Surabaya ISSN 3090-1154 (Media Onlin.
Volume 2.
Tahun 2025 .
ID grup dan ID pengirim Dengan struktur arsitektur ini, sistem mampu mendeteksi phishing secara otomatis dan memberikan respons yang cepat dan relevan kepada pengguna maupun admin.
Pengujian Sistem Pengujian dilakukan untuk memastikan bahwa sistem deteksi phishing berbasis AI yang dibangun dapat bekerja sesuai dengan fungsinya.
Pengujian mencakup aspek fungsionalitas, akurasi model, dan integrasi antar komponen.
Metode Pengujian Metode pengujian yang digunakan dalam penelitian ini adalah black-box testing dan pengujian performa model klasifikasi.
Adapun rincian pengujian meliputi:
Pengujian Fungsional Menguji seluruh alur sistem dari pesan yang masuk di WhatsApp hingga hasil deteksi dan notifikasi.
Pengujian dilakukan dengan skenario:
Pengiriman pesan non-phishing .
Pengiriman pesan phishing .
engandung tautan mencurigakan atau kalimat penipua.
Respons notifikasi ke admin dan pengguna .
Penyimpanan ke database .
Pengujian Model AI Model IndoBERT diuji menggunakan dataset yang telah dilabeli.
Metode pengukuran meliputi:
Accuracy .
Precision .
Recall .
F1-score Skema Pengujian Pengujian dilakukan secara lokal dengan skenario sebagai berikut:
Sistem dijalankan pada lingkungan pengembangan lokal dengan MySQL.
FastAPI, dan Bot WhatsApp .
Dataset uji terdiri dari A200 pesan, sebagian besar dalam bahasa lokal Surabaya, baik yang bersih maupun yang mengandung phishing.
Setiap pesan diuji apakah berhasil diklasifikasi dengan benar dan sistem memberikan respons sesuai logika yang telah ditentukan.
Tabel 1.
Skenario Pengujian Sistem Skenario Pengujian Input Pesan normal .
idak mengandung phishin.
"Selamat pagi, guys!" Pesan berisi tautan "Cek promo ini http://promomur4h.
Pesan berisi teks penipuan bahasa lokal "iki lho rek hadiah tokopedia arek ngene link e" Pesan phishing, tetapi dengan kata-kata samar "ayo klik situs ini dapet bonus saldo OVO Link pendek dan "bit.
ly/gratis-ovo2025" Expected Output Tidak ada notifikasi, tidak disimpan sebagai Terdeteksi phishing, notifikasi dikirim ke admin dan user, data Terdeteksi phishing, notifikasi dikirim ke admin dan user, data Terdeteksi phishing, notifikasi dikirim ke admin dan user, data Terdeteksi phishing, notifikasi dikirim ke admin dan user, data Hasil Pengujian Berhasil Berhasil Berhasil Berhasil Berhasil Halaman - 271 Prosiding Seminar Nasional KARSA NUSANTARA Kolaborasi Rekayasa dan Sains Nasional untuk Teknologi.
Riset, dan Kecerdasan Buatan Fakultas Teknik.
Universitas Wijaya Kusuma Surabaya ISSN 3090-1154 (Media Onlin.
Volume 2.
Tahun 2025 Admin menerima pesan Terdeteksi phishing Penyimpanan ke Data deteksi pesan i Admin menerima pesan dengan isi alert phishing Data berhasil masuk ke tabel MySQL dengan Berhasil Berhasil HASIL DAN PEMBAHASAN Hasil Implementasi Sistem Setelah proses pengembangan selesai, sistem pendeteksi phishing berbasis AI dengan model IndoBERT berhasil diimplementasikan dengan baik menggunakan kombinasi FastAPI untuk backend Python dan Node.
js untuk integrasi WhatsApp.
Sistem ini mampu menjalankan fungsi utamanya dengan lancar, yakni melakukan deteksi pesan phishing secara otomatis dan mengirimkan notifikasi ke grup admin serta menyimpan hasil deteksi ke database MySQL lokal.
Integrasi FastAPI FastAPI digunakan untuk membangun REST API yang menangani proses inferensi dari model IndoBERT.
API ini menerima data pesan teks dari WhatsApp, melakukan preprocessing, dan mengembalikan hasil deteksi .
hishing atau bukan phishin.
Saat sistem dijalankan, server FastAPI berhasil berjalan dengan status 200 OK dan respons yang cepat.
Gambar 3.
Integrasi FastAPI .
Integrasi Node.
js dan WhatsApp Gambar 4.
Integrasi Node.
js Whatsapp Node.
js digunakan untuk menghubungkan sistem dengan platform WhatsApp melalui pustaka seperti whatsapp-web.
Sistem berhasil membaca pesan masuk secara real-time, lalu meneruskannya ke API FastAPI untuk dideteksi.
Jika hasilnya phishing, maka sistem langsung mengirimkan pesan notifikasi .
Pengirim pesan .
engguna WhatsAp.
Grup admin khusus pengawas pesan .
Penyimpanan ke Database Hasil deteksi juga disimpan ke database MySQL lokal yang mencatat informasi seperti:
Isi pesan .
Tanggal dan waktu pesan diterima .
Hasil klasifikasi .
Nama pengirim atau ID WhatsApp Halaman - 272 Prosiding Seminar Nasional KARSA NUSANTARA Kolaborasi Rekayasa dan Sains Nasional untuk Teknologi.
Riset, dan Kecerdasan Buatan Fakultas Teknik.
Universitas Wijaya Kusuma Surabaya ISSN 3090-1154 (Media Onlin.
Volume 2.
Tahun 2025 Data ini disimpan untuk keperluan log dan analisis lanjutan, dan dari pengujian yang dilakukan, seluruh data berhasil masuk ke database tanpa kendala.
Gambar 5.
Database Local My SQL Pembahasan Sistem Sistem pendeteksi phishing berbasis Artificial Intelligence yang dikembangkan berhasil menjalankan seluruh fungsionalitasnya sesuai dengan rancangan.
Pembahasan berikut ini menjelaskan bagaimana sistem bekerja secara keseluruhan serta efektivitasnya dalam mendeteksi dan menangani pesan .
Efektivitas Deteksi Pesan Phishing Model IndoBERT yang digunakan telah dilatih dengan data berbasis bahasa Indonesia, termasuk penyesuaian pada bahasa lokal (Surabay.
, sehingga mampu mengenali variasi kata, gaya bahasa, dan pola umum pesan phishing.
Dalam pengujian internal, model mampu mengklasifikasikan pesan phishing dengan akurasi tinggi, terutama untuk pesan yang mengandung ajakan klik link, pemberitahuan menang hadiah, atau modus penipuan lainnya.
Respons Real-Time di WhatsApp Sistem terbukti dapat merespons pesan dengan cepat.
Ketika sebuah pesan mencurigakan masuk, sistem memprosesnya dalam waktu kurang dari 1 detik.
Jika pesan tersebut diklasifikasikan sebagai phishing, maka secara otomatis akan dikirimkan notifikasi ke grup admin dan ke pengirim.
Notifikasi ini berguna sebagai peringatan langsung dan pencegahan terhadap potensi penyebaran lebih lanjut.
Gambar 6.
Respons Bot Real-Time di WhatsApp .
Keamanan dan Privasi Data Data pesan yang masuk hanya digunakan untuk keperluan klasifikasi dan penyimpanan log.
Penyimpanan di database lokal memastikan bahwa data tetap berada di lingkungan yang dikontrol, tanpa dikirim ke server eksternal.
Hal ini menjaga privasi pengguna dan memberikan kontrol penuh kepada pengelola sistem.
Kelebihan Sistem .
Deteksi otomatis tanpa campur tangan manusia .
Dukungan bahasa lokal meningkatkan akurasi .
Integrasi penuh dengan WhatsApp .
Proses penyimpanan log yang sistematis .
Dapat dikembangkan lebih lanjut untuk auto-delete pesan phishing Halaman - 273 Prosiding Seminar Nasional KARSA NUSANTARA Kolaborasi Rekayasa dan Sains Nasional untuk Teknologi.
Riset, dan Kecerdasan Buatan Fakultas Teknik.
Universitas Wijaya Kusuma Surabaya ISSN 3090-1154 (Media Onlin.
Volume 2.
Tahun 2025 .
Kekurangan dan Kendala .
Sistem belum menggunakan model real-time training, sehingga belum belajar dari kasus baru .
Jika WhatsApp melakukan update besar pada protokolnya, integrasi bisa terganggu .
Sistem bergantung pada koneksi internet dan stabilitas server lokal Hasil Pengujian Sistem Pengujian dilakukan secara menyeluruh terhadap sistem pendeteksi phishing berbasis IndoBERT yang telah diintegrasikan dengan platform WhatsApp menggunakan FastAPI dan Node.
Tujuan dari pengujian ini adalah memastikan bahwa setiap komponen sistem berjalan sesuai dengan fungsinya dan mampu mendeteksi pesan phishing secara akurat.
Alur Pengujian Sistem Menjalankan Layanan Backend Sistem backend diaktifkan melalui:
FastAPI untuk endpoint klasifikasi pesan dengan model IndoBERT.
Node.
js untuk integrasi WhatsApp menggunakan library seperti whatsapp-web.
Simulasi Pengiriman Pesan WhatsApp Beberapa pesan dikirim ke akun WhatsApp bot, baik pesan normal maupun pesan yang mengandung unsur phishing .
isalnya: AuKlik link ini untuk dapat hadiah: bit.
ly/xyz123A.
Pemrosesan Pesan oleh FastAPI dan Model IndoBERT Pesan yang masuk akan diteruskan oleh Node.
js ke FastAPI.
FastAPI memanggil model IndoBERT untuk melakukan klasifikasi.
Jika hasil klasifikasi menyatakan bahwa pesan tersebut adalah phishing, sistem akan mengambil langkah lanjutan.
Tindakan Sistem Setelah Deteksi Jika pesan terdeteksi sebagai phishing:
Bot secara otomatis mengirim pesan peringatan ke grup admin.
Bot juga mengirim peringatan ke pengirim pesan.
Informasi pesan dan hasil klasifikasi disimpan ke database MySQL lokal sebagai log deteksi.
Verifikasi Output Admin melakukan pengecekan ke:
Grup admin WhatsApp untuk melihat notifikasi.
Database MySQL untuk memastikan data tersimpan.
Konsol log sistem backend untuk melihat respons API dan waktu respons.
Hasil Uji Fungsionalitas Tabel 2.
Hasil fungsionalitas Pengujian Hasil Integrasi WhatsApp dengan Node.
Berhasil Pemrosesan pesan via FastAPI dan Berhasil IndoBERT Berhasil .
% Deteksi pesan phishing Notifikasi ke grup admin dan pengirim Berhasil Penyimpanan ke database MySQL Berhasil Keterangan Bot aktif dan menerima pesan Waktu respon A 0.
8 detik Pesan phishing dikenali dengan Terkirim otomatis Data lengkap tersimpan .
Evaluasi Secara keseluruhan, sistem telah diuji dengan berbagai variasi pesan, baik dalam bahasa formal maupun informal Surabaya.
Sistem mampu merespons dan memproses dengan cepat dan tepat.
Tidak ditemukan kendala besar dalam integrasi, dan sistem telah siap digunakan dalam skala kecil hingga menengah.
KESIMPULAN
Kesimpulan Berdasarkan hasil pengembangan dan pengujian sistem pendeteksi phishing berbasis Artificial Intelligence menggunakan model IndoBERT yang terintegrasi dengan WhatsApp melalui FastAPI dan Node.
js, dapat disimpulkan bahwa sistem berhasil mengklasifikasikan pesan yang mengandung unsur Halaman - 274 Prosiding Seminar Nasional KARSA NUSANTARA Kolaborasi Rekayasa dan Sains Nasional untuk Teknologi.
Riset, dan Kecerdasan Buatan Fakultas Teknik.
Universitas Wijaya Kusuma Surabaya ISSN 3090-1154 (Media Onlin.
Volume 2.
Tahun 2025 phishing dengan akurasi tinggi, bahkan pada penggunaan bahasa lokal seperti dialek Surabaya.
Integrasi antara Node.
ebagai penghubung WhatsAp.
dan FastAPI .
ebagai API service untuk klasifikas.
berjalan dengan baik dan responsif, deteksi phishing secara otomatis mampu mengirimkan notifikasi ke grup admin serta pengirim pesan, sehingga potensi penyebaran phishing dapat diminimalisasi secara cepat.
Seluruh aktivitas pendeteksian berhasil disimpan dalam database lokal MySQL untuk keperluan pelacakan dan analisis lanjutan, dan sistem ini dapat dijadikan dasar pengembangan untuk sistem keamanan pesan di platform WhatsApp berbasis bahasa lokal Indonesia.
REFERENSI