OPTIMASI ALGORITMA SUPPORT VECTOR MACHINE DAN RANDOM FOREST TERHADAP DETEKSI SPAM EMAIL

Kahfi, Muhammad Ali Imran (2024) OPTIMASI ALGORITMA SUPPORT VECTOR MACHINE DAN RANDOM FOREST TERHADAP DETEKSI SPAM EMAIL. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (2MB)
	Text (BAB I) BAB I.pdf Download (196kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (809kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (151kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (632kB)
	Text (BAB V) BAB V.pdf Download (43kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (148kB)
	Archive (SOURCE CODE) Sourcecode - 19.11.3274.zip Restricted to Repository staff only Download (462kB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (828kB)

Abstract

Email merupakan alat komunikasi yang sangat penting di era digital, digunakan oleh individu dan organisasi untuk berbagai keperluan. Namun, dengan meningkatnya penggunaan terdapat kendala terkait dengan spam email. Spam email tidak hanya mengganggu penerima tetapi juga membebani infrastruktur penyedia layanan email. Ancaman seperti tautan berbahaya, serangan phishing, dan malware dapat merusak perangkat pengguna, mengurangi efisiensi komunikasi, dan mengganggu produktivitas. Oleh karena itu, pengelolaan spam email menjadi perhatian penting dalam lingkungan digital yang semakin kompleks. Untuk mengatasi masalah tersebut pada penelitian ini dilakukan pendekatan berrbasis machine learning yaitu Support Vector Machine (SVM) dan Random Forest untuk menunjukkan kinerja yang signifikan dalam optimasi terhadap spam email dan termasuk deteksi spam email. Penelitian ini bertujuan untuk mengoptimalkan algoritma SVM dan Random Forest dalam deteksi spam email menggunakan Hyperparameter Optimization dengan RandomizedSearchCV. Fokus penelitian meliputi penentuan parameter optimal menggunakan Support Vector Machine (SVM), seperti kernel, C, dan gamma, serta penyesuaian jumlah pohon dan fitur dalam Random Forest. Selain itu, metode pemilihan fitur yang relevan juga akan diperhatikan. Evaluasi kinerja akan dilakukan dengan menggunakan metrik seperti akurasi, presisi, recall, dan F1-score dan AUC ROC. Untuk penggunaan optimasi berpengaruh pada model training Support Vector Machine dan Random Forest yaitu dengan Support Vector Machine tanpa optimasi menghasilkan akurasi sebesar 95 % dan dengan optimasi menghasilkan akurasi sebesar 96% dan Random Forest tanpa optimasi menghasilkan akurasi sebesar 97% dan dengan optimasi menghasilkan akurasi sebesar 98%.

Actions (login required)

View Item