Analisis Komperatif Akurasi Deteksi Phising Pada Jaringan Komputer Dengan Metode Naïve Bayes Dan Support Vector Machine (SVM)

Abstract

Serangan phishing merupakan salah satu bentuk ancaman siber yang bertujuan untuk mencuri data sensitif dengan cara menipu pengguna melalui jaringan komputer. Untuk mendeteksi dan mencegah serangan semacam ini, diperlukan sistem yang mampu mengenali pola ancaman secara cerdas, salah satunya adalah Intrusion Detection System (IDS). IDS dapat bekerja berdasarkan dua pendekatan utama, yaitu rule based (signature based) dan behavior based. Penelitian ini menggunakan pendekatan behavior based yang memanfaatkan dataset serta algoritma klasifikasi untuk mendeteksi serangan phishing. Tidak semua algoritma data mining memiliki kinerja klasifikasi yang optimal, oleh karena itu dilakukan analisis komparatif terhadap algoritma Naive Bayes dan Support Vector Machine (SVM) dengan kernel Linear, Polynomial, dan Sigmoid. Dataset yang digunakan berasal dari UCI Machine Learning Repository dengan fokus pada deteksi phishing. Evaluasi dilakukan berdasarkan metrik confusion matrix, precision, recall, dan f1-score. Hasil pengujian menunjukkan bahwa algoritma SVM Polynomial memiliki akurasi tertinggi, sedangkan Naive Bayes menunjukkan akurasi terendah. Hasil ini menunjukkan bahwa pemilihan algoritma sangat berpengaruh terhadap performa sistem deteksi phishing.