Publikasi

Kata Kunci   :Website Phishing, Naive Bayes, Support Vector Machine, Machine Learning, Klasifikasi.

Perkembangan teknologi informasi dan internet meningkatkan risiko kejahatan siber, salah satunya website phishing yang bertujuan memperoleh informasi sensitif pengguna melalui situs palsu. Penelitian ini bertujuan membandingkan kinerja algoritma Naive Bayes dan Support Vector Machine (SVM) dalam mendeteksi website phishing berdasarkan accuracy, precision, recall, dan F1-score. Penelitian menggunakan pendekatan kuantitatif dengan metode komparatif. Dataset dari Kaggle terdiri atas 10.000 sampel URL dengan 48 fitur dan dua kelas, yaitu phishing dan legitimate. Data dibersihkan, dinormalisasi menggunakan Min-Max Scaler, lalu dibagi dengan rasio 80:20 menjadi 8.000 data latih dan 2.000 data uji. Hasil pengujian menunjukkan Naive Bayes memperoleh accuracy 83,90%, precision 95,16%, recall 71,84%, dan F1-score 81,87%. SVM dengan kernel Radial Basis Function (RBF) memperoleh accuracy 95,00%, precision 95,15%, recall 94,96%, dan F1-score 95,05%. Hasil ini menunjukkan SVM memiliki kinerja keseluruhan lebih baik pada dataset yang digunakan, terutama pada accuracy, recall, dan F1-score. Temuan perlu dipahami sesuai batasan dataset yang digunakan dan belum dapat dianggap mewakili seluruh kondisi website di internet.