Perbandingan Perbandingan Algoritma Machine learning Untuk Deteksi Spam Email Menggunakan Dataset SpamAssassin

PENDAHULUAN, METODOLOGI PENELITIAN, HASIL DAN PEMBAHASAN, KESIMPULAN, UCAPAN TERIMA KASIH

Abstract

Abstrak

Email merupakan salah satu media komunikasi yang paling sering digunakan baik oleh individu maupun organisasi. Namun, celah keamanan pada layanan email sering dimanfaatkan untuk mengirimkan pesan yang tidak diinginkan atau yang sering dikenal sebagai spam. Spam tidak hanya mengganggu efisiensi komunikasi, tetapi juga berpotensi membawa malware dan penipuan phishing. Penelitian ini bertujuan untuk mengomparasi kinerja beberapa algoritma machine learning, yaitu Naive Bayes (NB), Support Vector Machine (SVM), dan Random Forest (RF), serta metode Deep Learning Long Short-Term Memory (LSTM) dalam mengklasifikasi pesan spam dan ham (email sah). Penelitian menggunakan dataset publik yang dikenal luas, yaitu dataset SpamAssassin. Evaluasi dilakukan berdasarkan metrik Accuracy, Precision, Recall, dan F1-Score setelah mengaplikasikan metode pra-pemrosesan teks dan ekstraksi fitur TF-IDF. Hasil pengujian menunjukkan bahwa algoritma Random Forest memberikan akurasi tertinggi sebesar 98,83% untuk metode machine learning tradisional, sementara metode Deep Learning LSTM mencatatkan akurasi 99,10% dalam menangkap konteks linguistik yang kompleks. Hasil dari penelitian ini diharapkan dapat menjadi rujukan dalam pengembangan sistem pemfilteran email otomatis yang handal dan adaptif terhadap evolusi taktik spammer.