Comparative Analysis of Random Forest and XGBoost for Detecting Phishing Websites: A Machine Learning Approach

Serangan phishing merupakan salah satu ancaman keamanan siber yang signifikan di era digital dengan lebih dari 300.000 keluhan dilaporkan secara global pada tahun 2023. Di Indonesia, Badan Siber dan Sandi Negara melaporkan trafik anomali terkait phishing mencapai 47.231.390 insiden pada tahun 2023, menjadikannya salah satu ancaman terbesar terhadap ekosistem digital nasional. Kompleksitas serangan phishing modern yang semakin canggih membutuhkan pendekatan deteksi otomatis berbasis machine learning untuk mengatasi keterbatasan metode deteksi manual yang kurang efektif. Penelitian ini menyajikan analisis komparatif algoritma Random Forest dan XGBoost untuk deteksi website phishing otomatis menggunakan teknik machine learning. Meskipun kedua algoritma telah terbukti efektif dalam domain keamanan siber, perbandingan komprehensif yang mempertimbangkan aspek performa, interpretabilitas, dan efisiensi komputasi dalam konteks deteksi phishing masih terbatas, menciptakan gap penelitian yang perlu diisi untuk mengoptimalkan sistem deteksi phishing nasional. Metodologi penelitian mencakup pengumpulan data, preprocessing, implementasi model, optimisasi hyperparameter menggunakan randomized se