PERBANDINGAN ALGORITMA LOGISTIC REGRESSION DAN ALGORITMA DECISSION TREE UNTUK MENINGKATKAN KINERJA APLIKASI PHISHING DETECTOR BERBASIS WEBSITE

Phishing merupakan ancaman siber signifikan yang dapat mengakibatkan kerugian finansial dan kebocoran data, sehingga diperlukan sistem deteksi yang efektif. Penelitian ini bertujuan untuk meningkatkan efektivitas aplikasi pendeteksi phishing berbasis web dengan membandingkan dua algoritma machine learning: logistic regression dan decision tree, dalam mengklasifikasikan fitur-fitur phishing web, termasuk fitur berbasis Address Bar, Abnormal, HTML dan JavaScript, serta fitur berbasis Domain. Dengan membandingkan kedua algoritma ini, penelitian ini berupaya mengidentifikasi algoritma yang paling efektif dalam mendeteksi serangan phishing secara cepat dan akurat. Diharapkan hasil penelitian ini dapat mengurangi risiko pencurian identitas, kebocoran data perusahaan, dan kerugian finansial akibat serangan phishing, serta meningkatkan kemampuan sistem deteksi phishing untuk beradaptasi dengan ancaman yang terus berkembang. Metode penelitian melibatkan penerapan kedua algoritma pada dataset phishing yang mencakup 29 fitur dan perbandingan performa keduanya menggunakan metrik akurasi. Hasil pengujian menunjukkan bahwa algoritma Decision Tree memiliki akurasi deteksi phishing yang lebih tinggi, yaitu 95.07%, dibandingkan dengan Logistic Regression yang mencapai akurasi 91.76%. Hal ini menunjukkan bahwa Decision Tree lebih akurat dan efektif dalam mengidentifikasi situs phishing berdasarkan fitur-fitur dalam dataset. Selain itu, dalam pengembangan website pendeteksi phishing digunakan metode Rapid Application Development (RAD) untuk memastikan proses pengembangan sistem deteksi yang cepat dan efisien, sehingga aplikasi dapat dengan cepat beradaptasi terhadap ancaman phishing yang terus berkembang.