Perbandingan Algoritma Machine Learning dalam Klasifikasi Serangan Phishing pada E-mail

Kiki Putriani Siregar (Universitas Potensi Utama)
Budi Triandi (Universitas Potensi Utama)
Roslina Roslina (Universitas Potensi Utama)

Jurnal Minfo Polgan (JMP)
Vol. 15 No. 1 (2026): Artikel Penelitian

Serangan phishing melalui email merupakan ancaman siber yang terus meningkat dan berpotensi menyebabkan kebocoran data sensitif. Penelitian ini bertujuan membandingkan kinerja tiga algoritma Machine Learning, yaitu Gradient Boosting, Random Forest, dan Logistic Regression dalam mengklasifikasikan email phishing dan non-phishing. Dataset diproses melalui tahapan pembersihan teks dan ekstraksi fitur menggunakan TF-IDF, kemudian dievaluasi berdasarkan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa algoritma berbasis ensemble learning, khususnya Gradient Boosting dan Random Forest, memberikan performa lebih tinggi dibandingkan Logistic Regression dalam mendeteksi pola phishing yang kompleks. Meskipun Logistic Regression lebih sederhana dan mudah diinterpretasikan, model ensemble terbukti lebih efektif dalam meningkatkan akurasi klasifikasi