Implementasi Ekstensi Google Chrome Dalam Mendeteksi Situs Web Phishing Menggunakan Algoritma Random Forest

Muhamad Abdul Ghanni Al Ghifari, Bayu Hananto, Bambang Tri Wahyono

Abstract


Di zaman teknologi ini penggunaan internet mengubah kehidupan sehari-hari masyarakat menjadi lebih mudah. Namun dengan segala manfaat internet terdapat oknum tertentu yang melakukan berbagai macam kejahatan yaitu salah satunya membuat situs web phishing. Karena hal tersebut penelitian ini mengusulkan pendeteksian situs web phishing. Untuk mendeteksi situs web phishing pendekatan yang paling umum digunakan yaitu metode blacklist dan whitelist, namun metode ini mempunyai beberapa kekurangan. Oleh sebab itu penelitian ini bertujuan menggunakan pendekatan machine learning yaitu metode Random Forest, dengan mengimplementasikannya ke dalam ekstensi peramban seperti Google Chrome. Ekstensi peramban dibangun tanpa bergantung kepada web service, supaya pendeteksian dapat lebih cepat. Hasil evaluasi model klasifikasi mempunyai hasil akurasi 90,2%, recall 88,8% dan presisi 88,8%. Ekstensi peramban dilakukan evaluasi kinerja menggunakan data baru dengan akurasi 88%, recall 84% dan presisi 91,3%.

Keywords


Deteksi Phishing; Machine Learning; Klasifikasi; Random Forest; Ekstensi Peramban;

References


“What Is Phishing?” https://www.phishing.org/what-is-phishing (accessed Nov. 17, 2022).

“Google Safe Browsing – Google Transparency Report.” https://transparencyreport.google.com/safe-browsing/overview (accessed Nov. 18, 2021).

P. D. Dudhe and P. Ramteke, “A REVIEW ON PHISHING DETECTION APPROACHES,” 2015.

R. M. Mohammad, L. McCluskey, and F. Thabtah, “UCI Machine Learning Repository: Phishing Websites Data Set,” 2015. https://archive.ics.uci.edu/ml/datasets/phishing+websites (accessed Jun. 23, 2022).

“sklearn.ensemble.RandomForestClassifier — scikit-learn 1.1.1 documentation.” https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.RandomForestClassifier.html (accessed Nov. 20, 2021).

D. M. W. Powers, “Evaluation: from precision, recall and F-measure to ROC, informedness, markedness and correlation,” Journal of Machine Learning Technologies, pp. 37–63, Oct. 2011, doi: 10.48550/arxiv.2010.16061.

A. Butnaru, A. Mylonas, and N. Pitropakis, “Towards Lightweight URL-Based Phishing Detection,” Future Internet 2021, Vol. 13, Page 154, vol. 13, no. 6, p. 154, Jun. 2021, doi: 10.3390/FI13060154.

A. Dechalert, “JavaScript Fundamentals: JSON.” https://www.dottedsquirrel.com/js-json/ (accessed Jun. 11, 2022).

“sklearn.model_selection.GridSearchCV — scikit-learn 1.1.1 documentation.” https://scikit-learn.org/stable/modules/generated/sklearn.model_selection.GridSearchCV.html (accessed Nov. 20, 2021).

“sklearn.metrics.confusion_matrix — scikit-learn 1.1.1 documentation.” https://scikit-learn.org/stable/modules/generated/sklearn.metrics.confusion_matrix.html (accessed Nov. 20, 2020).

“PhishTank.” https://phishtank.org/ (accessed May 22, 2022).

“Rank Ranger.” https://www.rankranger.com/ (accessed May 22, 2022).


Refbacks

  • There are currently no refbacks.


Copyright (c) 2023 Seminar Nasional Mahasiswa Bidang Ilmu Komputer dan Aplikasinya

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.