Pengembangan Sistem Klasifikasi Kekuatan Kata Sandi Berbasis Web Menggunakan Machine Learning
Files
Date
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
DOI
Abstract
Autentikasi berbasis kata sandi masih menjadi metode autentikasi yang paling banyak digunakan sehingga keamanan banyak layanan digital pada akhirnya bergantung pada kekuatan kata sandi yang dipilih oleh penggunanya. Akan tetapi, pengguna cenderung memilih kata sandi yang lemah dan mudah ditebak. Sementara itu, sistem penilai kekuatan kata sandi yang ada masih memiliki keterbatasan, yaitu label pelatihan yang tidak konsisten, kesalahan klasifikasi yang tidak dibedakan berdasarkan risikonya, serta keputusan model yang tidak dapat dijelaskan. Penelitian ini bertujuan membangun sistem klasifikasi kekuatan kata sandi berbasis web yang akurat, mengutamakan keamanan, sekaligus dapat ditafsirkan. Penelitian disusun mengikuti kerangka Cross-Industry Standard Process for Data Mining (CRISP-DM). Dataset Password Strength Classifier dari Kaggle yang berjumlah 669.639 entri diberi label ulang menggunakan library zxcvbn untuk mengganti label asli yang terbukti hanya berbasis panjang karakter. Kemudian, setiap kata sandi direpresentasikan ke dalam 25 fitur yang diekstraksi langsung dari komposisi karakter dan pencocokan terhadap basis data kata sandi yang bocor. Empat model machine learning, yaitu Logistic Regression, Random Forest, Support Vector Machine, dan XGBoost, dibandingkan dalam dua skenario, yaitu dengan dan tanpa penanganan ketidakseimbangan kelas. Batas keamanan asimetris diterapkan melalui optimasi threshold, yaitu dengan menekan proporsi kesalahan dalam menilai kata sandi lemah sebagai kuat (weak→strong) di bawah 5%, sedangkan keputusan model dijelaskan menggunakan library SHAP. Model terbaik kemudian diimplementasikan ke dalam prototype sistem berbasis web. Random Forest tanpa penanganan ketidakseimbangan kelas terpilih sebagai model terbaik dengan F1-Score makro 0,8121, akurasi 0,8344, dan recall kelas weak 0,7601 pada data uji sehingga melampaui seluruh kriteria keberhasilan. Penanganan ketidakseimbangan kelas justru menurunkan performa pada seluruh algoritma. Melalui optimasi threshold, proporsi kesalahan weak→strong berhasil ditekan menjadi 4,73% disertai penurunan F1-Score makro yang kecil dan terkendali, yaitu sebesar 0,0104. Analisis SHAP menunjukkan bahwa panjang kata sandi dan keterpaparan pada basis data kata sandi yang bocor merupakan faktor yang paling berpengaruh terhadap penilaian.