PERBANDINGAN METODE EXTREME LEARNING MACHINE DAN BACKPROPAGATION UNTUK MENGKLASIFIKASI PHISING WEBSITES

Okky P Barus S.Kom., MM, Ronaldo Ronaldo

Abstract


Situs web phishing merupakan salah satu jenis kejahatan elektronik yang terus berkembang secara pesat dan juga salah satu yang paling berbahaya, yang dapat memberikan dampak negatif yang sangat besar terhadap e-banking dan berbagai jenis bisnis online seperti e-commerce dan penyedia Software-as-a-Service (SaaS). Umumnya, jenis kejahatan ini dimulai dari pengiriman e-mail yang menyerupai e-mail yang dikirim oleh instansi resmi yang berisi informasi pemberitahuan kepada korban bahwa perlu dilakukan suatu pembaharuan atau verifikasi data yang disertai dengan link untuk menuju situs tersebut. Situs tersebut merupakan situs web palsu yang dibangun oleh pelaku kejahatan yang dimana menyamari dan menyerupai situs aslinya untuk mendapatkan informasi sensitif dan pribadi korban. Oleh karena itu, diperlukan suatu metode yang efektif untuk mendeteksi apakah suatu website termasuk kategori phishing atau tidak. Penelitian ini menyajikan metodologi pendeteksian phishing websites berbasis machine learning dengan menggunakan dan membandingkan metode Extreme Learning Machine (ELM) dan neural network dengan algoritma backpropagation. Extreme Learning Machine merupakan algoritma pembelajaran untuk feedforward neural networks dengan 1 lapisan tersembuyi yang secara acak menentukan bobot input dan output. Backpropagation merupakan algoritma pembelajaran neural networks yang melakukan penyesuaian bobot untuk mendapatkan hasil terbaik. Hasil penelitian menunjukkan metode backpropagation dalam mengklasifikasi phishing websites memberikan ketepatan klasifikasi sebesar 91.85% lebih besar dibanding dengan metode ELM dengan ketepatan klasifikasi 84.07%. 

Full Text:

HAL 1 - 8

References


Huang, G. B., Zhu, Q. Y., & Siew, C. K. (2006)., Extreme Learning Machine : Theory and Applications. Extreme Learning Machine : Theory and Applications, 490-501

Goel, A., & Sharma, D. (2014). Prevention from hacking attacks: Phishing Detection Using Associative Classification Data Mining.

Lesnussa, Y. A., Sinay, L. J., & Idah, M. R. (2017). Aplikasi Jaringan Saraf Tiruan Backpropagation untuk Penyebaran Penyakit Demam Berdarah Dengue (DBD) di Kota Ambon. Jurnal Matematika Integratif, 13(2), 63-72.

APWG Q1 Report (2019). Phishing Activity Trends Report 1st Quarter 2019.

Jeeva, S. C., & Rajsingh, E. B. (2016). Intelligent phishing url detection using association rule mining. Human-centric Computing and Information Sciences, 6(1), 10.

Jeeva, S. C., & Rajsingh, E. B. (2016). Intelligent phishing url detection using association rule mining. Human-centric Computing and Information Sciences, 6(1), 10.

Tan, P. N. (2018). Introduction to data mining. Pearson Education India.

Vercellis, C. (2009). Business intelligence: data mining and optimization for decision making. New York: Wiley.

Witten, I. H., Frank, E., Hall, M. A., & Pal, C. J. (2016). Data Mining: Practical machine learning tools and techniques. Morgan Kaufmann.

Han, J., Pei, J., & Kamber, M. (2011). Data mining: concepts and techniques. Elsevier.

Dadkhah, M., & Sutikno, T. (2015). Phishing or hijacking? Forgers hijacked DU journal by copying content of another authenticate journal. Indonesian Journal of Electrical Engineering and Informatics (IJEEI), 3(3), 119-120.

Sharma, A., Singh, P., & Kaur, A. (2015). Phishing Websites Detection Using Back Propagation Algorithm: A Review.

Abdelhamid, N., Ayesh, A., & Thabtah, F. (2014). Phishing detection based associative classification data mining. Expert Systems with Applications, 41(13), 5948-5959.

Kingma, D. P., & Ba, J. (2014). Adam: A method for stochastic optimization. arXiv preprint arXiv:1412.6980.

Rachmawati, D. (2014). Phising Sebagai Salah Satu Bentuk Ancaman Dalam Dunia Cyber. Jurnal SAINTIKOM Vol, 13(3), 210.

Hansi, J., Dongsong, Z., & Zhijun, Y. (2013). A Classification Model for Detection of Chinese Phishing e-Business Websites. PACIS Proceedings.

Widodo, S. (2017). Klasifikasi Situs Phishing dengan Menggunakan Neural Network dan K-Nearest Neighbor. Information Management for Educators and Professionals, 1(2), 145-154.

Ali, W. (2017). Phishing Website Detection based on Supervised Machine Learning with Wrapper Features Selection. International Journal of Advanced Computer Science and Applications, 8(9), 72-78.

Zareapoor, M., & Seeja, K. R. (2015). Feature extraction or feature selection for text classification: A case study on phishing email detection. International Journal of Information Engineering and Electronic Business, 7(2), 60.

Gurney, K. (2014). An introduction to neural networks. CRC press.


Refbacks

  • There are currently no refbacks.


Copyright (c) 2019 Journal of Informatics Engineering Research and Technology

Department of Informatics | Computer Science Faculty | Universitas Pelita Harapan | sistech.medan@uph.edu