<![CDATA[Phishing melalui email merupakan ancaman keamanan informasi yang memanfaatkan isi pesan untukmendorong pengguna memberikan informasi sensitif atau melakukan tindakan tertentu. Penelitian ini bertujuanmenganalisis kinerja Support Vector Machine (SVM) dan Random Forest pada klasifikasi email phishingberbasis Natural Language Processing (NLP) dengan representasi Term Frequency-Inverse Document Frequency(TF-IDF). Dataset simulasi awal berjumlah 10.420 email dan setelah pemeriksaan duplikasi, data kosong, sertalabel tidak valid diperoleh 10.000 email, yang terdiri atas 5.000 phishing dan 5.000 legitimate. Data diprosesmelalui cleaning, case folding, tokenization, dan stopword removal, kemudian ditransformasikan menjadi featurevector TF-IDF dengan unigram dan bigram. Dataset dibagi menggunakan rasio 80:20 untuk data training dantesting. Evaluasi model menggunakan confusion matrix, accuracy, precision, recall, dan F1-score. Hasil simulasimenunjukkan SVM memperoleh accuracy 96,40%, precision 95,94%, recall 96,90%, dan F1-score 96,42%,sedangkan Random Forest memperoleh accuracy 94,80%, precision 95,34%, recall 94,20%, dan F1-score94,77%. SVM juga menghasilkan false negative yang lebih rendah, yaitu 31 dibandingkan 58 pada RandomForest. Berdasarkan skenario simulasi, SVM menunjukkan kinerja lebih konsisten terutama pada recall dan F1-score, sehingga lebih sesuai sebagai model utama pada rancangan prototype deteksi email phishing. Hasil initetap perlu dikonfirmasi melalui eksperimen aktual dan pengujian lintas dataset sebelum digunakan sebagai dasarimplementasi operasional.]]>
Copyrights © 2026
