Comparison of Phishing Detection Tests using the SVM Method with RBF and Linear Kernels

Rumini Rumini, Norhikmah Norhikmah, Ali Mustofa, Sulistyo Pradana

Abstract


Phising adalah sebuah tindakan kriminal untuk mencuri informasi pribadi orang lain menggunakan entitas electronic, salah satunya adalah website. Informasi ini dicuri dari website yang telah diakses yang mengandung phising atau dengan kata lain masuk ke dalam kategori website phising. Tujuan dari web phising adalah membuat pengguna percaya bahwa mereka berinteraksi dengan situs resmi. Umumnya informasi yang dicari phisher (pelaku phising) adalah berupa username, password, baik itu akun media sosial atau akun nomor kartu kredit dengan cara diarahkan ke sebuah situs website palsu. Maka dari itu perlu adanya deteksi web phising yang berguna untuk melindungi user dari tindak pencurian informasi pengguna. Penelitian ini membahas dua kernel dalam metode SVM (Support Vector Machine) untuk deteksi web phising yaitu kernel RBF (Radial Basis Function) dan kernel linear. Akurasi yang didapatkan dengan ketiga kernel menghasilkan nilai akurasi yang berbeda-beda. Hasil akurasi pengujian sistem deketksi web phising dengan Kernel Linear sebesar 92.582 % dan Kernel Radial Basis Function sebesar 96.426 %. Akurasi paling tinggi dengan metode SVM untuk deteksi web phising yaitu menggunakan kernel RBF (Radial Basis Function).

Full Text:

PDF

References


Halim, Zuhri. 2017. “Prediksi Website Pemancing Informasi Penting Phising Menggunakan Support Vector Machine (SVM)”. INFORMATION SYSTEM FOR EDUCATORS AND PROFESSIONALS Vol.2, No. 1, Desember 2017, 71 - 82 E-ISSN: 2548-3587. http://ejournal-binainsani.ac.id/index.php/ISBI/article/view/673. Diakses : 19 April 2020 jam 15:01 WIB.

Dharma Pratiwi, Sheila Noveila, Suprih Ulama, Brodjol Sutijo. 2016. “Klasifikasi Email Spam dengan Menggunakan Metode Support Vector Machine dan k-Nearest Neighbor”. JURNAL SAINS DAN SENI ITS Vol. 5No.2(2016)2337-3520(2301-928XPrint) http://ejurnal.its.ac.id/index.php/sains_seni/article/view/16685. Diakses : 19 April 2020 jam 16:18 WIB.

Weiss S. 2010. Text Mining : Perspective Methods for Analysis and Prediction Model Discovery Using RapidMiner. Indurkhya, edutor. New Jersey L Springer Science & Business Media. 1-237 p.

Susanto Bekti Maryuni, 2016, “Identifikasi Website Phising Dengan Seleksi Atribut Berbasis Korelasi”, Seminar Nasional Teknologi dan Komunikasi(SENTIKA), 18-19 Maret 2016

Mohammad, R., McCluskey, T., & Thabtah, F. A. 2012. “An Assesment Features Related to Phishing Websites using an Automated Technique. International Conference For Internet Technology And Secure Transaction. Ss 492-497. London:ICITST 2012

James Sanger Ronen Feldman, The Text Mining Handbook. New York: Cambridge University Press, 2007.

Alif Septian Nurdianto, Klasifikasi Emosi pada Twitter menggunakan Metode Multiclass SVM. Bandung: Universitas Telkom, 2014.

Chin Wei(et. al.) Hsu, A Practical Guide to Support vector Classification. Taiwan: Department of Computer Science National Taiwan University, 2010.

Jiawei Han, M. K. Micheline Kamber, dan Jian Pei, Data Mining : Concepts and Techniques. 2006.

IdWebHost, “Mengenal Phishing,” Blog IDWebHost, 04-Jan-2010.

C. Catal dan M. Nangir, “A sentiment classification model based on multiple classifiers,” Appl. Soft Comput., vol. 50, hal. 135–141, Jan 2017.

D. Zhang, Z. Yan, H. Jiang, dan T. Kim, “A domain-feature enhanced classification model for the detection of Chinese phishing e-Business websites,” Inf. Manage., vol. 51, no. 7, hal. 845–853, Nov 2014.

Y. Li, L. Yang, dan J. Ding, “A minimum enclosing ball-based support vector machine approach for detection of phishing websites,” Opt. - Int. J. Light Electron Opt., vol. 127, no. 1, hal. 345–351, Jan 2016.

J. F.-T. HE Gao-Hui, “Phishing Detection System Based on SVM Active Learning Algorithm,” Comput. Eng., vol. 37, no. 19, hal. 126–128, 2011.

F. THABTAH, W. HADI, N. ABDELHAMID, dan A. ISSA, “PREDICTION PHASE IN ASSOCIATIVE CLASSIFICATION MINING,” Int. J. Softw. Eng. Knowl. Eng., vol. 21, no. 06, hal. 855–876, Sep 2011.

Aditya Yessika Alana, W. H. Wahyu Hidayat, dan Handoyo Djoko W., “Pengaruh Citra Merek, Desain, dan Fitur Produk terhadap Keputusan Pembelian Handphone Nokia (Studi Kasus pada Mahasiswa Universitas Diponegoro),” Univ. Diponegoro, 2013.

Tita Tjahyati, “Analisis Perbandingan Metode Certainty Factor dan Naive Bayesian Dalam Mendeteksi Kemungkinan Anak Terkena Disleksia,” UNIKOM, 2014.

Altyeb Altaher, “Phishing Websites Classification using Hybrid SVM and KNN Approach” (IJACSA) International Journal of Advanced Computer Science and Applications, Vol. 8, No. 6, 2017.

Abdelhamid, Neda, Aladdin Ayesh, and Fadi Thabtah. ―Phishing detection based associative classification data mining.‖ Expert Systems with Applications 41, no. 13, pp.5948-5959, 2014.

Nugroho, Anto Satriyo, Arief Budi Witarto dan Dwi Handoko. 2003. Suport Vector Machines : Teori Aplikasinya dalam Bioinformatika. ilmukomputer.com.

"What is Python Good For?". General Python FAQ. Python Software Foundation. https://docs.python.org/3/faq/general.html#what-is-python-good-for. Diakses tanggal 2008-09-05.

"What is Python? Executive Summary". Python documentation. Python Software Foundation.

https://www.python.org/doc/essays/blurb/. Diakses tanggal 2007-03-21.

"General Python FAQ". python.org. Python Software Foundation. https://docs.python.org/3/faq/general.html#what-is-python. Diakses tanggal 2020-06-27.

Widayani, wiwi. Harliana. 2021. Perbandingan Kernel Support Vector Machine Dalam Melakukan Klasifikasi Penundaan Biaya Kuliah Mahasiswa. Jurnal Sains dan Informatika : Vol. 7 No. 1, Juni 2021.




DOI: https://doi.org/10.32520/stmsi.v12i3.2882

Article Metrics

Abstract view : 334 times
PDF - 158 times

Refbacks

  • There are currently no refbacks.


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