OPTIMASI KINERJA DETEKSI PHISHING DENGAN ANALISIS KORELASI VARIABEL DAN TEKNIK SMOTE

Phishing adalah ancaman terhadap keamanan dunia maya yang sering terjadi, di mana para pelaku mencoba menipu pengguna untuk menyerahkan informasi pribadi seperti kata sandi, nomor kartu kredit, dan berbagai data sensitif lainnya. Dengan perkembangan teknologi, teknik phishing semakin canggih dan sulit terdeteksi oleh metode tradisional. Oleh karena itu, sangat penting untuk merancang teknik yang mampu mendeteksi situs phishing dengan akurasi yang tinggi. Penelitian ini bertujuan untuk mengoptimasi kinerja deteksi phishing dengan mengintegrasikan analisis korelasi variabel untuk seleksi fitur dan penggunaan teknik imbalance learning guna mengatasi ketidakseimbangan data. Tahapan penelitian mencakup Data Collection, Data Preprocessing, Data Exploration meliputi analisis korelasi, pembersihan Fitur yang berkorelasi rendah, dan visualisasi data. Pada tahap Model Building and Training, dilakukan pembagian fitur dan label, Training data, dan penerapan teknik penyeimbangan data, diakhiri dengan Model Evaluation. Algoritma yang diuji mencakup Logistic Regression, Naive Bayes, K-Nearest Neighbors, Support Vector Machine, Multi-Layer Perceptron, Decision Tree, Random Forest, Gradient Boosting, CatBoost. Hasil penelitian ini menunjukkan Algoritma KNN memberikan kinerja paling baik dengan akurasi mencapai 91,25%. serta hasil optimal pada metrik Precision, Recall, dan F1-Score, masing-masing sebesar 0,906943, 0,927858, dan 0,922141, serta Hamming Loss terendah sebesar 0,0875. Sebaliknya, SVM menunjukkan hasil terendah dibandingkan algoritma lainnya, sehingga kurang cocok digunakan untuk mendeteksi URL Phishing