Deteksi Website Phishing Dari Analisis Url Menggunakan Algoritma Random Forest
Abstract
Serangan digital, atau yang lebih dikenal sebagai cybercrime, semakin sering terjadi di era modern ini, seiring dengan pesatnya perkembangan teknologi. Metode serangan yang paling sering dipakai adalah phishing, yang pertama kali muncul pada tahun 1996. Phishing merupakan salah satu bentuk kejahatan siber di mana penyerang berusaha mengelabui pengguna agar secara tidak sadar memberikan informasi sensitif seperti username, password, atau data keuangan. Berbagai penelitian telah dilakukan untuk mencari solusi dalam menangani serangan phishing, mulai dari penggunaan tools keamanan seperti menggunakan OS Kali Linux hingga mengedukasi para pegawai agar lebih waspada dan menggunakan alat bantu keamanan seperti antivirus. Salah satu solusi yang semakin relevan adalah penggunaan kecerdasan buatan (Artificial Intelligence) untuk secara otomatis mengidentifikasi apakah sebuah URL yang diakses aman atau berpotensi berbahaya. Penelitian ini bertujuan untuk mengembangkan aplikasi berbasis web yang mampu mendeteksi serangan phishing dengan menggunakan teknik machine learning, serta memanfaatkan dataset yang cukup besar dan representatif untuk melatih model deteksi URL phishing. Dalam penelitian ini kontribusi yang dilakukan ialah menggunakan algoritma random forest dalam pendeteksian website phishing dan penambahan fitur deteksi yang di integrasikan pada website yang membahas phishing, algoritma klasifikasi Random Forest digunakan karena kemampuannya yang tinggi dalam memproses sejumlah besar fitur deteksi. Dengan menggunakan 30 fitur deteksi, hasil pengujian menunjukkan bahwa sistem yang dibangun mampu mencapai kinerja yang optimal, dengan tingkat prediksi sebesar 96%, Recall 92%, Akurasi 94%, dan F-Score 93%. Hasil ini menunjukkan bahwa metode yang diusulkan efektif dalam mendeteksi serangan phishing dengan tingkat akurasi yang tinggi, menjadikannya alat yang sangat berguna dalam mencegah pengguna dari ancaman siber dan dinilai dapat menyelesaikan permasalahan yang ada karena dapat bekerja dengan optimal.
Keywords
Full Text:
PDFReferences
Saroji Ahmad, Harmini Triana, and Taqiyuddin Muhammad, ‘Internet Evolution: A Historical View (SEJARAH EVOLUSI GENERASI INTERNET)’, 2021, doi: 10.30598/Lanivol2iss2page65-75.
Acsany Philipp, ‘Build a Scalable Flask Web Project From Scratch’, https://realpython.com/flask-project/. Accessed: Jun. 07, 2024. [Online]. Available: https://realpython.com/flask-project/
Nurfitrianti Fifi, ‘Apa Itu Phishing, Smishing, dan Vhishing?’, https://www.jenius.com/highlight/detail/apa-itu-phishing-smishing-dan-vhishing. Accessed: Jun. 07, 2024. [Online]. Available: https://www.jenius.com/highlight/detail/apa-itu-phishing-smishing-dan-vhishing
A. Aljofey et al., ‘An effective detection approach for phishing websites using URL and HTML features’, Sci Rep, vol. 12, no. 1, Dec. 2022, doi: 10.1038/s41598-022-10841-5.
Badan Siber dan Sandi Negara, ‘LANSKAP KEAMANAN SIBER INDONESIA’, https://www.bssn.go.id/wp-content/uploads/2024/03/Lanskap-Keamanan-Siber-Indonesia-2023.pdf. Accessed: Jun. 07, 2024. [Online]. Available: https://www.bssn.go.id/wp-content/uploads/2024/03/Lanskap-Keamanan-Siber-Indonesia-2023.pdf
A. M. Veach and M. Abualkibash, ‘Phishing Website Detection Using Several Machine Learning Algorithms: A Review Paper’, International Journal of Informatics, Information System and Computer Engineering (INJIISCOM), vol. 3, no. 2, pp. 219–230, Dec. 2022, doi: 10.34010/injiiscom.v3i2.8805.
I. Yurita, M. Kevin Ramadhan, and M. Candra, ‘PENGARUH KEMAJUAN TEKNOLOGI TERHADAP PERKEMBANGAN TINDAK PIDANA CYBERCRIME (Studi Kasus Phising Sebagai Ancaman Keamanan Digital)’, 2023.
R. Zieni, L. Massari, and M. C. Calzarossa, ‘Phishing or Not Phishing? A Survey on the Detection of Phishing Websites’, IEEE Access, vol. 11, pp. 18499–18519, 2023, doi: 10.1109/ACCESS.2023.3247135.
W. Ali and S. Malebary, ‘Particle Swarm Optimization-Based Feature Weighting for Improving Intelligent Phishing Website Detection’, IEEE Access, vol. 8, pp. 116766–116780, 2020, doi: 10.1109/ACCESS.2020.3003569.
G. (Gareth M. James, D. Witten, T. Hastie, and R. Tibshirani, An introduction to statistical learning : with applications in R. 2013.
DOI: https://doi.org/10.36080/bit.v21i2.3603
Refbacks
- There are currently no refbacks.
Copyright (c) 2024 Bit (Fakultas Teknologi Informasi Universitas Budi Luhur)

This work is licensed under a Creative Commons Attribution 4.0 International License.
OFFICE:
FAKULTAS TEKNOLOGI INFORMASI - UNIVERSITAS BUDI LUHUR, Jl. Ciledug Raya, Petukangan Utara, Jakarta Selatan, 12260. DKI Jakarta, Indonesia. Telp: 021-585 3753 Fax: 021-585 3752
Bit (Fakultas Teknologi Informasi Universitas Budi Luhur) by FAKULTAS TEKNOLOGI INFORMASI - UNIVERSITAS BUDI LUHUR is licensed under CC BY-SA 4.0
View Bit (Fakultas Teknologi Informasi Universitas Budi Luhur) Satats