Klasifikasi Situs Phishing dengan Menggunakan Neural Network dan K-Nearest Neighbor

Abstract

Abstrak: Meningkatnya jumlah pengguna internet  dan toko online  disertai maraknya jumlah situs phishing. Menurut laporan dari APWG, jumlah laporan phishing yang  disampaikan selama kuartal 2 2016 adalah 466.065. Laporan phishing mengalami  peningkatan dari 61% pada 289.371 yang diterima pada kuartal pertama 2016. Biasanya, serangan phishing dimulai dari sebuah  e-mail yang tampaknya dikirim dari sebuah organisasi resmi  kepada korbannya  untuk memperbarui atau memvalidasi informasi terbaru mereka dengan mengikuti link URL dalam e-mail tersebut. Dengan cara ini awal serangan phishing dimulai dengan mengunjungi link yang diterima dalam sebuah e-mail. Hal menyebabkan kerugian ekonomis yang cukup signifikan, terutama bagi perusahaan. Hal-hal tersebut mendasari dilakukannya penelitian tentang klasifikasi situs phishing yang kemudian akan diklasifikasikan berdasar dua kategori utama yaitu situs phishing dan non-phishing. Pengklasifikasian pada penelitian ini diselesaikan dengan menggunakan metode NN dan KNN. NN banyak  diterapkan dalam penelitian karena kemampuanya dalam memodelkan sistem yang sangat nonlinier di mana hubungan antara variabel-variabel tidak diketahui (generalisasi) atau  sangat  kompleks, sedangkan KNN atau K- Nearest Neighbor metode pengklasifikasian yang berdasar pada pengukuran jarak tetangga terdekat serta memiliki performansi yang baik ketika data training yang diberikan sedikit. Neural network dengan backpropagation mampu memberikan hasil klasifikasi sebesar 91.21% lebih besar dibanding dengan menggunakan metode k-nn dengan ketepatan klasifikasi 90.33%.
 
Kata kunci: neural network, k-nearest neighbor, situs, phishing,
 
Abstract: The increasing number of Internet users and online shops along with the rise of the number of phishing sites. According to reports from the APWG, the number of phishing reports submitted during the second quarter of 2016 was 466 065. Reports of phishing has increased from 61% at 289 371 received in the first quarter of 2016. Typically, phishing attacks initiated from an e-mail that appears to be sent from a legitimate organization to the victim to update or validate them with the latest information follow the URL link in an e-mail the. In this way the beginning of a phishing attack starts by visiting the link received in an e-mail. It causes significant economic losses, especially for companies. These things underlie research about the classification of phishing sites which will then be classified by two main categories, namely non-phishing sites and phishing. The classification in this study resolved by using NN and KNN. NN widely applied in research because of his ability to model highly nonlinear systems in which the relationship between the variables is unknown (generalization) or very complex, while KNN or K-Nearest Neighbor classification method based on the nearest neighbor distance measurements and has a good performance when given a little training data. Neural networks with backpropagation able to provide the classification of 91.21% larger than using the k-nn with a classification accuracy of 90.33%.
 
Keywords: neural networks, k-nearest neighbor, websites, phishing.