Implementasi Algoritma K-Means++ Clustering dan Random Forest untuk Klasifikasi Phishing URL
| Main Author: | Satyawijaya, Reza |
|---|---|
| Format: | Thesis NonPeerReviewed application/pdf |
| Bahasa: | eng |
| Terbitan: |
, 2018
|
| Subjects: | |
| Online Access: |
http://kc.umn.ac.id/11271/1/HALAMAN_AWAL.pdf http://kc.umn.ac.id/11271/2/DAFTAR_PUSTAKA.pdf http://kc.umn.ac.id/11271/3/BAB_I.pdf http://kc.umn.ac.id/11271/4/BAB_II.pdf http://kc.umn.ac.id/11271/5/BAB_III.pdf http://kc.umn.ac.id/11271/6/BAB_IV.pdf http://kc.umn.ac.id/11271/7/BAB_V.pdf http://kc.umn.ac.id/11271/8/LAMPIRAN.pdf http://kc.umn.ac.id/11271/ |
Daftar Isi:
- Perkembangan teknologi komunikasi telah membantu memajukan bisnis dan berdampak dalam bidang sosial. Namun, selain itu, perkembangan teknologi juga menciptakan peluang untuk kriminal menyerang dan menipu. Salah satu cara yang dipakai kriminal adalah phishing. Phishing adalah sebuah metode yang digunakan kriminal untuk menipu dan mengecoh pengguna agar memberikan data personal dan sensitif. Selain blacklist, solusi lain yang diterapkan untuk menangani phishing adalah machine learning. Pada penelitian sebelumnya, ditemukan bahwa algoritma Random Forest menghasilkan akurasi paling besar dari algoritma lain untuk mengklasifikasi pishing URL. Classifier idealnya mengatahui informasi mengenai persebaran testing data. Oleh sebab itu, algoritma yang mengombinasikan teknik supervised learning dan unsupervised learning diajukan. Salah satu algoritma unsupervised learning adalah K-Means++ Clustering. Dalam penelitian ini dibuat sebuah sistem untuk mengklasifikasi phishing URL dengan menggabungkan algoritma K-Means++ Clustering dan Random Forest. Pengujian dilakukan dengan mengklasifikasi data dengan jumlah cluster sebanyak 2 sampai 10 dengan tiap jumlah cluster diuji 5 kali. Berdasarkan penelitian yang dilakukan, sistem menghasilkan akurasi sebesar 84.75%.