Datasetpublic

Febriyansyah/phishing-emails-multilingual

Phishing Emails Multilingual (ID/EN) — Synthetic Dataset sintetis & edukatif 600 email dwibahasa Indonesia 🇮🇩 & English 🇺🇸 untuk riset deteksi phishing — oleh Febriyansyah. ⚠️ Synthetic & edu-defense-only — dibuat untuk pembelajaran defensive security, bukan untuk kampanye nyata. Jangan gunakan untuk aktivitas ilegal. Ringkasan 600 baris — 300 phishing / 300 benign (seimbang), 321 EN / 279 ID Kolom: id (int), language (id/en), text (string, badan email)… See the full description on the dataset page: https://huggingface.co/datasets/Febriyansyah/phishing-emails-multilingual.

sourceHugging Facemitupdated 15d agoView on Hugging Face

0likes41downloads

Dataset Card

Phishing Emails Multilingual (ID/EN) — Synthetic

Dataset sintetis & edukatif 600 email dwibahasa Indonesia 🇮🇩 & English 🇺🇸 untuk riset deteksi phishing — oleh Febriyansyah.

⚠️ Synthetic & edu-defense-only — dibuat untuk pembelajaran defensive security, bukan untuk kampanye nyata. Jangan gunakan untuk aktivitas ilegal.

Ringkasan

—600 baris — 300 phishing / 300 benign (seimbang), 321 EN / 279 ID
—Kolom: id (int), language (id/en), text (string, badan email), label (0=benign, 1=phishing)
—Generator: scripts/build_phishing_dataset.py (seed 2026) — pola linguistik phishing nyata (urgensi, spoofing institusi, URL mencurigakan, permintaan kredensial) vs email legitimasi rutin
—Split rekomendasi: 398 train / 202 validation (33.6% hold-out, seed 424242) — lihat models/phishing_model/metadata.json di repo model

Contoh

csv

id,language,text,label
379,id,"Subject: Newsletter Bulanan Investasi ...",0
73,en,"Hello Esteemed Client, Your account will be SUSPENDED ...",1

python

from datasets import load_dataset
ds = load_dataset("Febriyansyah/phishing-emails-multilingual")
print(ds["train"][0])
# {'id': 379, 'language': 'id', 'text': '...', 'label': 0}

Pembuatan

bash

python scripts/build_phishing_dataset.py
# → data/phishing_email/phishing_email_multilingual.csv

Institusi spoof: BCA, Mandiri, BNI, PayPal, Netflix, Apple, Microsoft, dll. URL phishing disintesis (*.verify-center.cc, *.updater-service.online, dll) vs URL resmi (klikbca.com, paypal.com, dll).

Penggunaan & Etika

—Cocok untuk: fine-tune classifier biner, demo TF-IDF/LogReg, evaluasi threshold, Space Gradio.
—Batasan: sintetis — tidak mencakup spear-phishing/BEC dunia nyata; bahasa terbatas ID/EN; butuh validasi di data real sebelum produksi.
—Lisensi: MIT. Guardrail: edu-defense-only.

Terkait

—🤖 Model: `Febriyansyah/phishing-email-classifier` (TF-IDF char_wb + LogReg, thr 0.488)
—🕵️ Space: `Febriyansyah/phishing-scout`

Citation

bibtex

@misc{febriyansyah2026phishingdata,
  author = {Febriyansyah},
  title = {Phishing Emails Multilingual (Synthetic, ID/EN)},
  year = {2026},
  publisher = {Hugging Face},
  url = {https://huggingface.co/datasets/Febriyansyah/phishing-emails-multilingual}
}