Phishing merupakan salah satu ancaman keamanan siber terbesar yang menggunakan teknik rekayasa sosial untuk mendapatkan informasi sensitif pengguna seperti kata sandi, nomor kartu kredit, dan data pribadi lainnya. Serangan ini dilakukan dengan membuat situs web palsu yang tampak identik dengan situs resmi sehingga korban tidak menyadari bahaya yang mengintai. Penelitian ini berfokus pada penerapan machine learning untuk mendeteksi URL phishing menggunakan algoritma Gradient Boosting. Algoritma ini dipilih karena kemampuannya menggabungkan beberapa prediktor lemah menjadi satu prediktor yang kuat melalui proses ensemble. Dataset yang digunakan mencakup 11.054 sampel dengan 30 fitur URL yang bersumber dari Kaggle. Proses penelitian meliputi pengumpulan data, pra-pemrosesan, eksplorasi data (EDA), pelatihan model, evaluasi kinerja, dan deployment menggunakan Streamlit. Hasil eksperimen menunjukkan bahwa model Gradient Boosting mencapai akurasi 97,8%, lebih unggul dibandingkan Logistic Regression (87,2%) dan Random Forest (95,8%). Metrik evaluasi mencakup precision (97,5%), recall (98,1%), dan F1-Score (97,8%). Hasil ini mengonfirmasi kelayakan penggunaan Gradient Boosting sebagai solusi efektif dan andal dalam sistem deteksi phishing berbasis web.
References
[1] Soewandi, M., “Jenis Serangan Dan Bagaimana Menghadapi Kejahatan Sistem Informasi,” 2023. Available: BINUS School of Information Systems article [Diakses: 18 September 2024].
[2] Tabrani, S., Safitri, V., Nayla, P. A., Hosnah, A. U., “Kejahatan Phishing Ditinjau dari Perspektif Hukum dan Kejahatan Siber,” Civilia: Jurnal Kajian Hukum dan Pendidikan Kewarganegaraan, vol. 3, no. 1, pp. 1–13, 2024.
[3] Kapan, S., & Gunal, E., “Improved Phishing Attack Detection with Machine Learning: A Comprehensive Evaluation of Classifiers and Features,” Applied Sciences, vol. 13, pp. 13269, 2023. DOI: 10.3390/app132413269.
[4] Ashtari, H., “XGBoost vs. Random Forest vs. Gradient Boosting: Perbedaan Utama,” 2024. Available: Spiceworks article [Diakses: 18 September 2024].
[5] Windarni, V. A., Nugraha, A. F., Ramadhani, S. T. A., Istiqomah, D. A., Puri, F. M., Setiawan, A., “Deteksi Website Phishing Menggunakan Teknik Filter pada Model Machine Learning,” Information System Journal (INFOS), vol. 6, no. 1, pp. 1–15, Mei 2023.
[6] Setyawan, G. D., Yuswanto, A., Ridwan, A. M., Wibowo, B., Firmansyah, M., “Implementasi Metode ADASYN dalam Deteksi URL Berbahaya Menggunakan Machine Learning: Demi Meningkatkan Keamanan Siber di Era Digital,” TEKNOKOM: Jurnal Teknologi dan Rekayasa Sistem Komputer, vol. 6, no. 2, pp. 1–12, September 2023.
[7] Miftahuddin, Y., Faturrahman, M. M., “Penerapan Data Standardization dan Multilayer Perceptron pada Identifikasi Website Phishing,” MIND (Multimedia Artificial Intelligent Networking Database) Journal, vol. 7, no. 2, pp. 111–123, Desember 2022.
[8] Zuhayr, N. A., Girinoto, Qomariasih, N., Setiawan, H., “Phishing URL Detection Using Machine Learning Techniques,” The Center for Research and Development of Cyber and Crypto Security Technology, National Cyber and Crypto Agency, Jakarta, Indonesia, 2023.
[9] Yunus, M., Widiastuti, D., Rasjid, H., Chalri, Y., “Metode Klasifikasi Untuk Deteksi Uniform Resource Locator (URL) Berdasarkan Jenis Serangan Menggunakan Algoritma Naive Bayes, C4.5 dan K-Nearest Neighbor,” Seminar Nasional Teknologi Informasi dan Komunikasi STI&K (SeNTIK).
[10] Batta, M., “Machine Learning Algorithms – A Review,” International Journal of Science and Research (IJSR), vol. 9, no. 1, pp. 381–386, 2020.
[11] Abid, M. N. R., Artanti, S. C., Adiyati, N., & Junaedi, E., “Android-based garbage management application using K-means algorithm on RT 03/02 Kel. Karawaci Baru,” Jurnal Teknik Informatika (JUTIF), vol. 5, no. 4, pp. 735–743, 2024.