Phising adalah salah satu bentuk Cyber Crime yang merugikan orang lain dan termasuk perbuatan yang melawan hukum. Terdapat beberapa pendekatan untuk memberantas kejahatan phising, salah satunya dengan melakukan klasifikasi terhadap situs phising menggunakan metode machine learning. Dataset yang digunakan yaitu dataset situs phising dari UCI Repository dengan 11055 data dan 30 fitur kategorial. Metode pengklasifikasi yang digunakan yaitu Random Forest. Random Forest baik untuk melakukan klasifikasi terhadap data dengan fitur kategorikal, namun kinerja algoritma ini masih bisa ditingkatkan. Untuk mengatasi permasalahan tersebut peneliti menggunakan solusi hyper-parameter tuning. Random Forest memiliki beberapa hyper-parameter yang dapat dikonfigurasi untuk meningkatkan kinerja dari model. Masalah mengidentifikasi nilai yang baik untuk hyper-parameter disebut hyper-parameter tuning. Metode hyper-parameter tuning yang digunakan yaitu Tree Parzen Estimator yang kemudian divalidasi menggunakan 5-Fold Cross Validation sebanyak 150 iterasi. Hyper-parameter Random Forest yang dikonfigurasi antara lain n_estimators, max_depth, min_samples_leaf dan max_features. Pengujian pada Random Forest tanpa hyper-parameter tuning memperoleh akurasi sebesar 97,06%. Untuk pengujian Random Forest dengan hyper-parameter tuning memperoleh akurasi sebesar 97,2%. Hyper-parameter tuning dengan Tree Parzen Estimator pada Random Forest untuk klasifikasi situs phising memberikan peningkatan kinerja model pada akurasi sekitar 0,14%.