KLASIFIKASI WEB PHISHING MENGGUNAKAN METODE MULTILAYER PERCEPTRON DAN RECURSIVE FEATURE ELIMINATION
Studi statistik Kaspersky Lab di tahun 2019 menyatakan bahwa pengguna komputer ditargetkan untuk diserang oleh situs malware . Dari banyaknya fitur yang ada untuk mendeteksi Phishing, terdapat informasi yang berlebihan dan tidak mencukupi untuk klasifikasi, akibatnya, fitur yang paling representatif perlu dipilih terlebih dahulu untuk meningkatkan waktu pemrosesan dan akurasi (Al-Ahmadi & Lasloum, 2020. Untuk mengatasi masalah tersebut, teknik pengurangan dimensi yaitu feature selection Recursive Feature Elimination (RFE) digunakan pada penelitian ini. RFE digunakan untuk mereduksi fitur yang tidak paling mempengaruhi keberhasilan model klasifikasi dan pada saat yang sama mempertahankan fitur yang efektif agar meningkatkan keberhasilan model. Hasil penelitian menunjukkan bahwa penggunaan aktivasi ReLU lebih baik dibandingkan dengan aktivasi Sigmoid dalam pelatihan model MLP. Pemilihan fitur RFE dengan MLP ReLU mendapatkan akurasi terbaik untuk klasifikasi website Phishing menggunakan metode pengujian Decision Tree dengan akurasi sebesar 95,9%. Metode ini efektif dalam memilih fitur yang relevan dalam klasifikasi website Phishing atau Legitimate.
APA Style
. (2023).KLASIFIKASI WEB PHISHING MENGGUNAKAN METODE MULTILAYER PERCEPTRON DAN RECURSIVE FEATURE ELIMINATION ().Teknik Informatika:FTI
Chicago Style
.KLASIFIKASI WEB PHISHING MENGGUNAKAN METODE MULTILAYER PERCEPTRON DAN RECURSIVE FEATURE ELIMINATION ().Teknik Informatika:FTI,2023.Text
MLA Style
.KLASIFIKASI WEB PHISHING MENGGUNAKAN METODE MULTILAYER PERCEPTRON DAN RECURSIVE FEATURE ELIMINATION ().Teknik Informatika:FTI,2023.Text
Turabian Style
.KLASIFIKASI WEB PHISHING MENGGUNAKAN METODE MULTILAYER PERCEPTRON DAN RECURSIVE FEATURE ELIMINATION ().Teknik Informatika:FTI,2023.Text
