IMPLEMENTASI SISTEM KEAMANAN SIBER BERBASIS ARTIFICIAL INTELLIGENCE UNTUK MENGATASI SERANGAN PHISHING
Abstract
Serangan phishing merupakan ancaman yang signifikan terhadap keamanan siber, yang menyebabkan kerugian besar bagi individu dan organisasi. Penelitian ini mengembangkan dan mengimplementasikan sistem keamanan siber berbasis kecerdasan buatan (AI) untuk mengatasi serangan phishing secara efektif. Sistem ini menggunakan algoritma machine learning seperti Support Vector Machine (SVM), Random Forest, dan Neural Networks untuk mendeteksi email dan situs web phishing dengan akurasi yang tinggi. Data yang digunakan termasuk email dan URL phishing yang dikumpulkan dari berbagai sumber. Preprocessing data melibatkan pembersihan, ekstraksi fitur, dan normalisasi sebelum melatih model AI untuk mengenali pola phishing. Evaluasi kinerja dilakukan dengan menggunakan metrik seperti precision, recall, dan F1-score untuk menilai efektivitas sistem. Hasilnya menunjukkan bahwa sistem berbasis AI mencapai akurasi 97% dan F1-score sekitar 96%, yang menunjukkan kemampuan tinggi dalam mendeteksi serangan phishing. Implementasi sistem ini memberikan solusi proaktif yang mengurangi false positive dan false negative, sehingga meningkatkan keamanan data dan informasi. Penelitian ini menekankan pentingnya AI dalam keamanan siber untuk mengatasi ancaman phishing dan memberikan dasar untuk pengembangan lebih lanjut dalam teknologi keamanan siber.
Downloads
References
[2]. P. Kaur, M. Singh, and J. Kaur, "Phishing detection using machine learning techniques," IEEE Access, vol. 8, pp. 97351–97362, 2020, doi: 10.1109/ACCESS.2020.2999643.
[3]. S. Mukkamala, A. H. Sung, and A. Abraham, "Feature selection for phishing email detection," IEEE Transactions on Systems, Man, and Cybernetics - Part C: Applications and Reviews, vol. 34, no. 1, pp. 71–83, Feb. 2004, doi: 10.1109/TSMCC.2004.824424.
[4]. A. Sharma, S. Bhattacharya, and A. Ghosh, "Evaluation of phishing detection systems using machine learning techniques," IEEE Access, vol. 8, pp. 90951–90965, 2020, doi: 10.1109/ACCESS.2020.2991532.
[5]. S. Kumar, A. Shukla, and V. Kumar, "Detection of phishing attacks using machine learning approaches," IEEE Access, vol. 8, pp. 127569–127581, 2020, doi: 10.1109/ACCESS.2020.3008971.
[6]. S. Afroz, R. Greenstadt, and D. McCoy, "Automated analysis of phishing kits," in Proc. 23rd USENIX Security Symp., 2014, pp. 203–215.
[7]. R. S. Rao and A. R. Pais, "Detecting phishing websites using automation," Future Generation Computer Systems, vol. 95, pp. 213–221, 2019, doi: 10.1016/j.future.2018.12.036.
[8]. M. Huber and M. Mulazzani, "Analyzing and detecting phishing attacks on e-banking transactions," Computers & Security, vol. 36, pp. 21–32, 2013, doi: 10.1016/j.cose.2013.03.011.
[9]. M. Aburrous, M. S. Hossain, and K. P. Dahal, "Intelligent phishing website detection system using fuzzy logic techniques," Expert Systems with Applications, vol. 37, no. 12, pp. 7553–7559, Dec. 2010, doi: 10.1016/j.eswa.2010.04.017.
[10]. H. Zou, C. Wu, and J. Zhao, "Machine learning-based phishing detection using URL and domain features," Journal of Information Science, vol. 42, no. 6, pp. 833–849, Dec. 2016, doi: 10.1177/0165551515616369.
[11]. J. Hong and X. Fu, "Emerging techniques for phishing detection and prevention," Cybersecurity, vol. 4, no. 12, 2021, doi: 10.1186/s42400-021-00078-x.
[12]. P. Prakash, M. Kumar, and S. Gupta, "PhishNet: Predictive blacklisting to detect phishing attacks," IEEE Security & Privacy, vol. 8, no. 3, pp. 51–57, May-Jun. 2010, doi: 10.1109/MSP.2010.58