Phising merupakan salah satu bentuk kejahatan siber yang semakin berkembang, di mana pelaku memanfaatkan situs web palsu untuk mencuri informasi sensitif dari pengguna. Penelitian ini bertujuan untuk membangun model deteksi website phising berbasis machine learning menggunakan algoritma Random Forest, dengan pendekatan seleksi fitur berbasis embedded method melalui Mean Decrease Impurity (MDI) yang dihitung dari data out-of-bag (OOB), serta optimasi hyperparameter menggunakan GridSearchCV. Dataset yang digunakan berasal dari Kaggle dengan nama Web Page Phishing Detection yang terdiri atas 87 fitur. Seleksi fitur dilakukan berdasarkan nilai feature importance dengan menerapkan nilai threshold optimal, menghasilkan 62 fitur terpilih. Hasil pengujian menunjukkan bahwa model mencapai akurasi sebesar 96,28% dan skor ROC-AUC sebesar 0,9934 setelah proses optimasi. Evaluasi lebih lanjut menunjukkan bahwa model mampu mengidentifikasi website phising secara akurat dan efisien, serta menunjukkan kestabilan yang baik berdasarkan validasi silang dengan akurasi 96,77%. Temuan ini membuktikan bahwa metode MDI-OOB efektif dalam menyaring fitur relevan tanpa menimbulkan bias, dan mampu meningkatkan performa klasifikasi dalam mendeteksi website phising.