Implementasi Algoritma Random Forest untuk Deteksi Phising pada Email
Abstract
Serangan phishing melalui email merupakan ancaman cybersecurity yang terus berkembang dan dapat menyebabkan kerugian finansial maupun kebocoran data yang serius. Untuk mengatasi permasalahan ini, dibutuhkan metode yang andal dan otomatis guna membedakan email phishing dari email yang sah. Algoritma Random Forest dipilih karena kemampuannya dalam menangani struktur data yang kompleks dan menghasilkan akurasi klasifikasi yang tinggi. Pada penelitian ini, algoritma Random Forest diimplementasikan untuk klasifikasi email phishing menggunakan dataset yang terdiri dari email phishing dan email yang sah. Dataset tersebut diproses melalui tahapan pra-pemrosesan, ekstraksi fitur, pelatihan model, dan evaluasi. Hasil penelitian menunjukkan bahwa sistem berhasil mengklasifikasikan email phishing dan email yang sah dengan tingkat keakuratan yang tinggi, sehingga efektif dalam mendukung proses penyaringan email secara otomatis dan aman.
Keywords
Views & Downloads Statistics (Last 12 Months)
References
15 References-
[1]Z. Alkhalil, C. Hewage, L. Nawaf, and I. Khan, “Phishing Attacks : A Recent Comprehensive Study and a New Anatomy,” vol. 3, no. March, pp. 1–23, 2021, doi:10.3389/fcomp.2021.563060.
-
[2]I. Anti-Phishing Working Group, “Phishing Activity Trends Reports.” [Online]. Available: https://apwg.org/trendsreports
-
[3]T. Langan, Center, Internet Crime Complain. 2022.
-
[4]L. E. O. Breiman, “Random Forests ‘Machine Learning,’” pp. 5–32, 2001.
-
[5]P. P. Prabha, “An Optimized Bagging Learning with Ensemble Feature Selection Method for URL Phishing Detection,” vol. 19, pp. 1881–1889, 2024, doi: doi.org/10.1007/s42835-023-01680-z.
-
[6]A. Pradana, “Jurnal Teknologi Informasi dan Multimedia Implementasi Model Machine Learning untuk Deteksi Phishing dengan Pendekatan Ekstraksi Fitur yang Dioptimalkan,” vol. 8, no. 1, pp. 27–40, 2026.
-
[7]S. K. Ahmad, B. A. Dapshima, and Y. C. Essa, “DETECTION OF PHISHING ATTACKS USING MACHINE LEARNING TECHNIQUES,” no. 07, pp. 1166–1176, 2024.
-
[8]D. Setiawan, “Phishing detection system using machine learning classifiers,” 2020.
-
[9]E. Sangra, R. Agrawal, P. R. Gundalwar, K. Sharma, D. Bangri, and D. Nandi, “Malicious Website Detection Using Random Forest and Pearson Correlation for Effective Feature Selection,” vol. 15, no. 8, pp. 772–780, 2024.
-
[10]P. Resnick, “Internet message format,” p. https://tools.ietf.org/HTML/rfc5322, 2008.
-
[11]U. K. Immanuel, U. K. Immanuel, U. K. Immanuel, and M. T. Elsa, “Analisis perbincangan dalam grup whatsapp dengan k-means clustering,” vol. 9, no. 4, pp. 1960–1971, 2024.
-
[12]A. A. Akinyelu and A. O. Adewumi, “Classification of Phishing Email Using Random Forest Machine Learning Technique,” vol. 2014, 2014, doi:10.1155/2014/425731.
-
[13]S. Developers, “Scikit-learn Documentation,” p. https://scikit-learn.org/dev/versions.html, 2023, [Online]. Available: https://scikit-learn.org/dev/versions.html
-
[14]IMB, “Supervised Learning.” [Online]. Available: https://www.ibm.com/id-id/think/topics/supervised-learning
-
[15]E. E. H. Lastdrager, “Achieving a consensual definition of phishing based on a systematic review of the literature,” vol. 1996, pp. 1–10, 2014.
Issue
How to Cite
License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.