Jadwal Sholat

Memuat jadwal sholatโ€ฆ

Editorial Ilmu Komputer & AI

Open AccessOA2023

Sistem Deteksi Phishing melalui Machine Learning Hibrida Berbasis URL

Penelitian ini mengusulkan model machine learning hibrida (LSD) yang menggabungkan regresi logistik, support vector machine, dan decision tree dengan soft dan hard voting untuk mendeteksi URL phishing. Dengan dataset lebih dari 11.000 situs web dan seleksi fitur canopy, model ini mengungguli classifier individual dalam akurasi, presisi, recall, -score, dan spesifisitas.
Abdul Karim; Mobeen Shahroz; Khabib Mustofa; S. Belhaouari; S. Jogaยท IEEE Accessยท 2023ยท DOI 10.1109/ACCESS.2023.3252366

Masalah inti

Serangan phishing, yang pertama kali teridentifikasi pada 1996, telah menjadi salah satu bentuk kejahatan siber paling parah dan berbahaya di internet. Serangan ini biasanya memakai distorsi email dan situs web palsu untuk menipu individu agar mengungkapkan informasi sensitif. Meskipun banyak penelitian tentang pencegahan, deteksi, dan kesadaran, solusi yang lengkap masih sulit diwujudkan. Machine learning menawarkan pertahanan yang menjanjikan terhadap phishing. Penelitian ini berfokus pada deteksi URL phishing menggunakan dataset lebih dari 11.000 situs web, yang memuat atribut URL phishing dan sah dalam bentuk vektor. Tujuannya adalah mengembangkan sistem deteksi yang tangguh yang dapat mengklasifikasikan URL sebagai phishing atau sah secara akurat, sehingga melindungi pengguna dari serangan tersebut.

Inovasi

Pendekatan yang diusulkan memakai model hibrida bernama LSD, yang menggabungkan regresi logistik (LR), support vector machine (SVC), dan decision tree (DT) dengan mekanisme soft dan hard voting. Dataset diprapemproses lalu dipakai untuk melatih beberapa model machine learning: decision tree (DT), linear regression (LR), random forest (RF), naive Bayes (NB), gradient boosting classifier (GBM), K-neighbors classifier (KNN), support vector classifier (SVC), dan model LSD yang diusulkan. Seleksi fitur dilakukan dengan teknik canopy dan validasi silang, sedangkan optimasi hyperparameter dilakukan dengan Grid Search. Metrik evaluasi mencakup presisi, akurasi, recall, -score, dan spesifisitas. Model hibrida ini memanfaatkan kekuatan classifier individual untuk meningkatkan kinerja deteksi secara keseluruhan.
Pendahuluan
Serangan phishing, yang pertama kali teridentifikasi pada 1996, telah menjadi salah satu bentuk kejahatan siber paling parah dan berbahaya di internet. Serangan ini biasanya memakai distorsi email dan situs web palsu untuk menipu individu agar mengungkapkan informasi sensitif. Meskipun banyak penelitian tentang pencegahan, deteksi, dan kesadaran, solusi yang lengkap masih sulit diwujudkan. Machine learning menawarkan pertahanan yang menjanjikan terhadap phishing. Penelitian ini berfokus pada deteksi URL phishing menggunakan dataset lebih dari 11.000 situs web, yang memuat atribut URL phishing dan sah dalam bentuk vektor. Tujuannya adalah mengembangkan sistem deteksi yang tangguh yang dapat mengklasifikasikan URL sebagai phishing atau sah secara akurat, sehingga melindungi pengguna dari serangan tersebut.

Mengapa penting

Penelitian ini menegaskan bahwa model machine learning hibrida dapat secara signifikan meningkatkan deteksi URL phishing dibandingkan classifier tunggal. Keberhasilan model LSD disebabkan oleh kekuatan komplementer algoritma penyusunnya: regresi logistik untuk keluaran probabilistik, support vector machine untuk penanganan ruang berdimensi tinggi, dan decision tree untuk interpretabilitas. Mekanisme soft dan hard voting memungkinkan model membuat keputusan yang tangguh dengan menggabungkan prediksi. Namun, penelitian ini mengakui batasan seperti ukuran dataset dan kebutuhan deteksi waktu nyata. Penelitian selanjutnya dapat mengeksplorasi pendekatan deep learning serta dataset yang lebih besar dan beragam untuk lebih meningkatkan kemampuan deteksi. Secara keseluruhan, pendekatan yang diusulkan memberikan solusi praktis dan efisien untuk mempertahankan diri dari serangan phishing.

Siapa yang sebaiknya membaca

Pembaca Research Digest dan praktisi rumpun ini.

Membuka konten memberโ€ฆ