KLASIFIKASI EMAIL PHISING MENGGUNAKAN METODE LEARNING VECTOR QUANTIZATION (LVQ)

Abstrak

Meningkatnya penggunaan email sebagai media komunikasi digital telah diikuti dengan meningkatnya ancaman kejahatan siber, khususnya serangan phishing yang bertujuan untuk memperoleh informasi sensitif pengguna melalui teknik penipuan. Kompleksitas pola email phishing yang semakin berkembang menyebabkan metode penyaringan konvensional menjadi kurang efektif, sehingga diperlukan pendekatan yang lebih adaptif berbasis machine learning. Penelitian ini bertujuan untuk menerapkan dan mengevaluasi metode Learning Vector Quantization (LVQ) dalam klasifikasi email phishing dan non-phishing. Penelitian ini menggunakan pendekatan kuantitatif dengan metode eksperimental. Dataset yang digunakan berjumlah 70 data email yang terdiri dari 35 email phishing dan 35 email non-phishing. Data dibagi menjadi 49 data latih dan 21 data uji. Sebelum proses klasifikasi, data email melalui tahap prapemrosesan yang meliputi case folding, tokenisasi, penghapusan stopword, stemming, serta ekstraksi fitur menggunakan metode Term Frequency-Inverse Document Frequency (TF-IDF) untuk menghasilkan representasi numerik. Proses klasifikasi dilakukan menggunakan metode Learning Vector Quantization dengan dua kelas, yaitu phishing dan non-phishing. Hasil pengujian menunjukkan bahwa metode LVQ mampu mengklasifikasikan data uji dengan sangat baik. Seluruh data uji berhasil diklasifikasikan sesuai dengan kelas aktualnya, sehingga diperoleh tingkat akurasi sebesar 100%. Hasil ini menunjukkan bahwa metode Learning Vector Quantization efektif dan stabil dalam mendeteksi email phishing berdasarkan fitur teks yang diekstraksi. Dengan demikian, metode LVQ berpotensi digunakan sebagai solusi pendukung dalam meningkatkan keamanan sistem email.