<![CDATA[Phishing merupakan salah satu bentuk kejahatan siber yang dilakukan dengan cara menyamar sebagai pihak terpercaya untuk memperoleh informasi sensitif pengguna. Seiring meningkatnya penggunaan email sebagai media komunikasi, ancaman phishing juga semakin berkembang sehingga diperlukan metode yang mampu mengidentifikasi email phishing secara otomatis. Penelitian ini bertujuan untuk mengimplementasikan algoritma K-Nearest Neighbor (KNN) serta mengoptimalkan performanya menggunakan Particle Swarm Optimization (PSO) dalam klasifikasi email phishing. Penelitian dilakukan melalui tahapan penggabungan dataset, pra-pemrosesan teks, ekstraksi fitur menggunakan Term Frequency-Inverse Document Frequency (TF-IDF), standarisasi data, pelatihan model KNN, serta optimasi fitur menggunakan PSO. Evaluasi model dilakukan menggunakan confusion matrix, classification report, kurva ROC, dan nilai AUC. Hasil penelitian menunjukkan bahwa model KNN menghasilkan akurasi sebesar 64,01% dengan nilai AUC sebesar 0,8097. Setelah dilakukan optimasi menggunakan PSO, jumlah fitur berkurang dari 6006 menjadi 3002 fitur. Model kombinasi KNN-PSO menghasilkan akurasi sebesar 81,43% dengan nilai AUC sebesar 0,9153. Hasil tersebut menunjukkan bahwa optimasi fitur menggunakan PSO dapat meningkatkan performa klasifikasi KNN pada deteksi email phishing. Kata Kunci— phishing, text mining, TF-IDF, K-Nearest Neighbor, Particle Swarm Optimization.]]>
Copyrights © 2026
