Analisis Serangan Social Engineering melalui Pretexting, Impersonating, dan Phishing pada Pemain Game Mobile Online
DOI:
https://doi.org/10.52436/1.jpti.892Kata Kunci:
Analisis Sentimen, Krui, Pariwisata, Support Vector Machine, Synthetic Minority Over-sampling Technique, TwitterAbstrak
Penelitian ini menganalisis metode serangan rekayasa sosial (social engineering) yang terjadi dalam konteks permainan mobile online, khususnya pada PUBG Mobile dan Mobile Legends. Studi ini bertujuan untuk mengidentifikasi metode serangan seperti pretexting, impersonation, dan phishing, serta faktor-faktor yang mempengaruhi keberhasilannya. Penelitian dilakukan menggunakan metode kuantitatif, melibatkan simulasi serangan melalui platform media sosial, komunitas game, dan komunikasi dalam game. Hasil penelitian menunjukkan bahwa dari 124 responden yang menjadi target serangan, 88 akun berhasil ditembus. Faktor keberhasilan mencakup tekanan sosial, keterbatasan waktu bermain, rendahnya kesadaran pengguna terhadap risiko keamanan, dan daya manipulasi teknik social engineering. Sebaliknya, aktivasi fitur keamanan seperti autentikasi dua faktor (2FA) menjadi hambatan utama bagi keberhasilan serangan. Hasil dari penelitian ini memberikan strategis untuk meningkatkan kesadaran dan perlindungan pengguna, termasuk edukasi keamanan digital, peningkatan fitur keamanan pada platform game, dan kolaborasi dengan komunitas game. Dengan implementasi langkah-langkah ini, risiko serangan social engineering dapat diminimalkan secara signifikan, menciptakan lingkungan game yang lebih aman bagi pemain.
Unduhan
Referensi
Badan Keahlian Sekretariat Jenderal DPR RI, “Analisis Ringkas Cepat: Urgensi Penguatan Daya Saing Pariwisata Untuk Meningkatkan Perekonomian Nasional,” Www.Bk.Dpr.Go.Id, pp. 1–44, 2023, [Online]. Available: https://berkas.dpr.go.id/pa3kn/analisis-ringkas-cepat/public-file/analisis-ringkas-cepat-public-41.pdf
Faisal Rahutomo, P. Y. Saputra, and M. A. Fidyawan, “IMPLEMENTASI TWITTER SENTIMENT ANALYSIS UNTUK REVIEW FILM MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE,” J. Inform. Polinema, vol. 4, no. 2, p. 93, Feb. 2018, doi: 10.33795/jip.v4i2.152.
Lusiana Lestari, “Analisis Sentimen Twitter Dengan Menggunakan Algoritma Svm,” 2018.
E. Sutoyo and M. A. Fadlurrahman, “Penerapan SMOTE untuk Mengatasi Imbalance Class dalam Klasifikasi Television Advertisement Performance Rating Menggunakan Artificial Neural Network,” J. Edukasi dan Penelit. Inform., vol. 6, no. 3, p. 379, 2020, doi: 10.26418/jp.v6i3.42896.
?. Tar?mer, A. Çoban, and A. E. Kocaman, “Sentiment Analysis on IMDB Movie Comments and Twitter Data by Machine Learning and Vector Space Techniques,” pp. 1–8, 2019, [Online]. Available: http://arxiv.org/abs/1903.11983
A. Chairunnisa, T. Informatika, F. I. Komputer, and U. L. Kuning, “Analisis Sentimen Masyarakat Terhadap Tempat Wisata Di Indonesia Menggunakan Metode,” 2022.
Y. A. Singgalen, “Analisis Sentimen dan Pemodelan Topik dalam Optimalisasi Pemasaran Destinasi Pariwisata Prioritas di Indonesia,” J. Inf. Syst. Informatics, vol. 3, no. 3, pp. 459–470, 2021, doi: 10.51519/journalisi.v3i3.171.
Asiva Noor Rachmayani, “ANALISIS SENTIMEN WISATAWAN TERHADAP DESTINASI PANTAI TANJUNG BIRA PADA ULASAN DI GOOGLE MAPS MENGGUNAKAN ALGORITMA NAIVE BAYES,” p. 6, 2015.
S. Fatimah, E. Purwanto, and H. Permatasari, “Analisis Sentimen Twitter Tentang Wisata di Kota Solo,” Techno.Com, vol. 22, no. 4, pp. 854–869, Nov. 2023, doi: 10.33633/tc.v22i4.9154.
J. Prasetya and A. Abdurakhman, “COMPARISON OF SMOTE RANDOM FOREST AND SMOTE K-NEAREST NEIGHBORS CLASSIFICATION ANALYSIS ON IMBALANCED DATA,” MEDIA Stat., vol. 15, no. 2, pp. 198–208, Apr. 2023, doi: 10.14710/medstat.15.2.198-208.
S. Wang, Y. Dai, J. Shen, and J. Xuan, “Research on expansion and classification of imbalanced data based on SMOTE algorithm,” Sci. Rep., vol. 11, no. 1, pp. 1–11, 2021, doi: 10.1038/s41598-021-03430-5.
N. V Chawla, K. W. Bowyer, L. O. Hall, and W. P. Kegelmeyer, “SMOTE for Imbalanced Classification with Python,” 2002. [Online]. Available: https://machinelearningmastery.com/smote-oversampling-for-imbalanced-classification/
