<![CDATA[Dalam konteks metode supervised learning, penelitian ini bertujuan meningkatkan akurasi model klasifikasi dalam mendeteksi URL phishing menggunakan algoritma Random Forest yang dikombinasikan dengan teknik hyperparameter tuning, yaitu Recursive Feature Elimination with Cross-Validation (RFECV) dan Grid Search. Dataset PhiUSIIL Phishing URL yang diakuisisi dari UCL Machine Learning hanya dimanfaatkan sebanyak 10.000 baris data dalam penelitian ini agar mempermudah proses. Data dibagi menjadi 80% data training dan 20% data testing. Model dilatih menggunakan Random Forest dan dioptimalkan dengan hyperparameter tuning RFECV lalu Grid Search, yang menghasilkan akurasi, precision, recall, dan F1 score sebesar 100%. Fitur-fitur 'URLSimilarityIndex', 'LineOfCode', dan 'NoOfExternalRef' memberikan kontribusi terbesar terhadap prediksi. Hasil penelitian ini menunjukkan bahwa pendekatan teknik hyperparameter tuning dan algoritma yang dipilih lebih efektif dibandingkan penelitian sebelumnya, yang hanya mencapai akurasi tertinggi 99,97%. Selain itu, penelitian ini juga mengidentifikasi pentingnya fitur 'URLLength' dalam meningkatkan kinerja model. Temuan ini menegaskan bahwa teknik hyperparameter tuning yang tepat dapat meningkatkan kinerja model klasifikasi URL phishing secara signifikan dan memberikan kontribusi penting dalam bidang keamanan siber.]]>
Copyrights © 2025
