<![CDATA[Kata sandi tetap menjadi mekanisme autentikasi paling banyak digunakan, namun mayoritas pelanggaran data tetap bersumber dari kredensial lemah. Studi ini mengevaluasi sebelas model pembelajaran mesin mencakup pendekatan klasik (Logistic Regression, Decision Tree, SVM, Random Forest) dan modern (XGBoost, LightGBM, CatBoost, Extra Trees, MLPClassifier, TabNet, Ensemble Stacking) pada dua dimensi evaluasi: kinerja prediktif dan efisiensi sistem. Dari korpus 1,6 juta kata sandi, diekstraksi sampel berimbang 30.000 entri (10.000 per kelas) dengan delapan fitur terinterpretasi. Temuan kritis adalah seluruh model mencapai akurasi mendekati 1,000 pada himpunan uji bukan bukti generalisasi, melainkan konsekuensi deterministik dari label berbasis aturan pada dataset Kaggle; sehingga sumbu pembeda model bergeser dari akurasi ke efisiensi. Distribusi latensi inferensi pada n=1.000 sampel uji menunjukkan Decision Tree memberikan keseimbangan terbaik (rerata 0,11 ms; persentil-95 0,18 ms; ukuran 1,06 KB), jauh di bawah ambang 100 ms yang direkomendasikan NIST SP 800-63B. Kontribusi utama studi ini adalah kerangka evaluasi multi-dimensi yang reproducible dengan kriteria efisiensi terkuantifikasi, bukan klaim akurasi yang trivial.]]>
Copyrights © 2026
