ANALISIS KINERJA GEMINI 1.5 PRO DALAM VALIDASI DAN DETEKSI EMAIL PHISHING
Main Article Content
Abstract
Email phishing merupakan ancaman siber yang terus berkembang dan menuntut solusi deteksi yang lebih efektif. Penelitian ini menganalisis kinerja model bahasa besar Gemini 1.5 Pro dalam validasi dan deteksi email phishing. Sebuah dataset yang terdiri dari 200 email berlabel, dengan komposisi seimbang antara 100 email phishing dan 100 email sah, digunakan untuk mengevaluasi kemampuan Gemini 1.5 Pro. Hasil eksperimen menunjukkan performa yang menggembirakan, dengan akurasi mencapai 93% dalam membedakan email phishing dan email sah. Analisis lebih lanjut menggunakan metrik presisi, recall, dan F1-score mengungkap kemampuan model dalam meminimalisir false positive dan false negative. Laporan klasifikasi menunjukkan presisi sempurna (1.00) untuk kategori email phishing, meskipun recall-nya mencapai 0.79, sementara untuk email sah, recall sempurna (1.00) dicapai dengan presisi 0.90. Matriks konfusi memberikan gambaran detail tentang kinerja klasifikasi, dengan 52 email phishing terklasifikasi benar, 14 salah diklasifikasikan sebagai sah, dan seluruh 124 email sah terklasifikasi dengan benar. Temuan ini mengindikasikan potensi Gemini 1.5 Pro sebagai alat yang efektif dalam mendeteksi email phishing dan membuka peluang riset lebih lanjut untuk mengoptimalkan kinerjanya serta mengeksplorasi aplikasinya dalam sistem keamanan siber yang lebih komprehensif.
Kata kunci : Phishing, Ancaman Siber, Gemini 1.5 Pro, Email
Article Details

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
References
A. Chien and P. Khethavath, "Email Feature Classification and Analysis of Phishing Email Detection Using Machine Learning Techniques," 2023 IEEE Asia-Pacific Conference on Computer Science and Data Engineering (CSDE), Nadi, Fiji, 2023
H. Yu et al., "ERDL: Efficient Retrieval Framework Based on Distillation from Large Language Models," 2024 International Conference on Computational Linguistics and Natural Language Processing (CLNLP), Yinchuan, China, 2024
I. Trummer, "Large Language Models: Principles and Practice," 2024 IEEE 40th International Conference on Data Engineering (ICDE), Utrecht, Netherlands, 2024
P. Saraswat and M. Singh Solanki, "Phishing Detection in E-mails using Machine Learning," 2022 2nd International Conference on Technological Advancements in Computational Sciences (ICTACS), Tashkent, Uzbekistan, 2022
S. Das and D. Das, "Natural Language Processing (NLP) Techniques: Usability in Human-Computer Interactions," 2024 6th International Conference on Natural Language Processing (ICNLP), Xi'an, China, 2024
S. Jawhar, C. E. Kimble, J. R. Miller and Z. Bitar, "Enhancing Cyber Resilience with AI-Powered Cyber Insurance Risk Assessment," 2024 IEEE 14th Annual Computing and Communication Workshop and Conference (CCWC), Las Vegas, NV, USA, 2024
T. M. Mbelli and B. Dwolatzky, "Cyber Security, a Threat to Cyber Banking in South Africa: An Approach to Network and Application Security," 2016 IEEE 3rd International Conference on Cyber Security and Cloud Computing (CSCloud), Beijing, China, 2016