DETEKSI PHISHING MENGGUNAKAN INFORMATION GAIN DAN RANDOM FOREST

Phishing merupakan salah satu bentuk serangan siber yang memanfaatkan website palsu untuk memperoleh informasi sensitif pengguna. Meningkatnya jumlah serangan phishing mendorong perlunya sistem deteksi yang memiliki akurasi tinggi serta efisiensi komputasi. Penelitian ini bertujuan menganalisis efektivitas metode Information Gain sebagai seleksi fitur pada algoritma Random Forest dengan membandingkan performa model sebelum dan sesudah seleksi fitur, serta mengimplementasikan model terbaik ke dalam browser extension. Penelitian menggunakan dua dataset, yaitu PhiUSIIL Phishing URL Dataset dan Phishing Detection Dataset (Mendeley). Tahapan penelitian meliputi preprocessing data, seleksi fitur menggunakan Information Gain, pembagian data dengan rasio 70:30, pelatihan model Random Forest, serta evaluasi menggunakan Accuracy, Precision, Recall, F1-Score, dan Confusion Matrix. Hasil penelitian menunjukkan bahwa Information Gain mampu mengurangi jumlah fitur yang digunakan sehingga menghasilkan model yang lebih sederhana dan efisien tanpa menurunkan performa klasifikasi secara signifikan dibandingkan Random Forest tanpa seleksi fitur. Model terbaik kemudian diimplementasikan pada browser extension yang mampu mendeteksi website phishing secara otomatis dan memberikan peringatan kepada pengguna ketika mengakses website yang terindikasi phishing.