<![CDATA[Meningkatnya serangan phishing di platform media sosial seperti X memerlukan sistem deteksi otomatis yang efektif, mengingat deteksi manual tidak lagi memadai. Penelitian ini bertujuan untuk membandingkan kinerja algoritma Support Vector Machine (SVM) dan K-Nearest Neighbor (KNN) dalam mendeteksi tautan phishing berbasis fitur leksikal. Metodologi penelitian melibatkan pelatihan model pada dataset seimbang berisi 10.000 URL yang diekstraksi menjadi delapan fitur, kemudian diuji pada 2.000 data dan divalidasi menggunakan 150 URL baru hasil scraping. Hasilnya menunjukkan bahwa kedua algoritma memiliki efektivitas tinggi, dengan F1-Score model terbaik mencapai di atas 92%. SVM dengan kernel RBF unggul dalam hal keamanan dengan mencapai nilai recall tertinggi sebesar 97,1%, yang esensial untuk meminimalkan ancaman yang terlewat. Di sisi lain, KNN menunjukkan keunggulan signifikan dalam efisiensi komputasi, dengan waktu pelatihan dan pengujian yang jauh lebih cepat. Kesimpulannya, pemilihan algoritma yang optimal menyajikan sebuah trade-off antara keamanan deteksi superior dari SVM dan efisiensi operasional dari KNN, memberikan panduan praktis bagi pengembang.]]>
Copyrights © 2025
