Implementasi Metode Random Forest Klasifikasi untuk Phishing Link Detection
DOI:
https://doi.org/10.24076/intechnojournal.2022v4i2.1562Keywords:
Phishing Website, Random Forest, Klasifikasi, Decision TreeAbstract
Internet sangat dibutuhkan saat ini. Masalah yang muncul dari perkembangan internet dan teknologi saat ini adalah keamanan dan privasi, dimana data privasi sangat rentan untuk dicuri oleh seseorang melalui internet. Contohnya adalah situs web phishing yang telah tersebar luas di internet yang dapat mencuri data seperti, data pribadi, data kartu kredit, perbankan online, dan data email tanpa diketahui oleh pengguna internet. Bisa dibilang sulit membedakan situs web asli atau palsu. Karenanya diperlukan klasifikasi untuk membedakan situs web asli atau palsu. Penelitian ini menggunakan algoritma Random Forest untuk memilih situs web phishing dari pohon keputusan. Berdasarkan penerapan algoritma Random Forest untuk mendeteksi phishing situs web, hasil akurasi adalah 94,36% dan hasil validasi adalah 94,77% menggunakan 2.457 dataset yang diperoleh dari situs web www.kaggle.com. Dari penelitian ini terbukti bahwa algoritma ini memiliki akurasi tinggi untuk memprediksi situs web phishing dan hasil yang diperoleh diimplementasikan dalam bentuk ekstensi dari browser secara realtime yang nantintya akan memberikan popup peringatan jika situs website yang dibuka adalah phishing website.
Downloads
References
Y. C. G. Tomy Salim, "DATA MINING IDENTIFIKASI WEBSITE PHISING MENGGUNAKAN ALGORITMA
C4.5," Jurnal TAM (Technology Acceptance Model) , vol. 8, pp. 130-135, 2017.
M. Z. Z. R. W. S. Saifullah, "ANALISA TERHADAP PERBANDINGAN ALGORITMA DECISION TREE
DENGAN ALGORITMA RANDOM TREE UNTUK PRE-PROCESSING DATA," Jurnal Sains Komputer &
Informatika (J-SAKTI) , vol. 1, pp. 180-185, 2017.
L. Y. S. X. a. H. P. Mingming Zhu, "Random Forests for Object Detection," pp. 267-274, 2015.
A. S. Sunge, "Optimasi Algoritma C4.5 Dalam Prediksi Web Phishing Menggunakan Seleksi Fitur Genetic
Algoritma," Paradigma, vol. XX, pp. 27-32, 2018.
Sunaryono, "PENELITIANKOMPARASIALGORITMAKLASIFIKASI
DALAMMENENTUKANWEBSITEPALSU," Teknikom, vol. 1, pp. 1-12, 2017.
A. Kumar, "Data phising Website," 20 01 2018. [Online]. Available: https://www.kaggle.com/akashkr/phisingwebsite#Training%20Dataset.arff.[
Su dan Zhang, “A Fast Decision Tree Learning Algorithm”, American Association for Artificial
Intelligence (www.aaai.org), 2006.
Belgiu dan Dragut, “Random forest in remote sensing: A review of applications and future directions”,
ISPRS Journal of Photogrammetry and Remote Sensing, 2016.
Chairunnisa dkk, “Perbandingan CART dan Random Forest untuk Deteksi Kanker berbasis Klasifikasi
Data Microarray”, Jurnal RESTI, 2021
