OPTIMISASI MODEL MACHINE LEARNING UNTUK DETEKSI SPAM EMAIL: PERBANDINGAN KINERJA ALGORIMA NAÏVE BAYES DAN ALGORITMA C45

Prasetyo, Muhammad Luthfi (2024) OPTIMISASI MODEL MACHINE LEARNING UNTUK DETEKSI SPAM EMAIL: PERBANDINGAN KINERJA ALGORIMA NAÏVE BAYES DAN ALGORITMA C45. Bachelor thesis, Universitas Nasional.

	Text Cover.pdf Download (1MB)
	Text BAB I.pdf Download (270kB)
	Text BAB II.pdf Download (339kB)
	Text BAB III.pdf Download (433kB)
	Text BAB IV.pdf Download (653kB)
	Text BAB V.pdf Download (235kB)
	Text Lampiran.pdf Download (325kB)

Abstract

Email telah berkembang menjadi alat komunikasi yang vital di era digital yang berkembang pesat, namun juga rentan terhadap bahaya spam email. Email spam, yang sering kali berisi konten yang tidak diminta seperti penawaran palsu dan tautan berbahaya, sangat membahayakan keamanan informasi dan produktivitas. Meskipun sejumlah strategi, seperti pendekatan heuristik dan filter berbasis aturan, telah diciptakan untuk mengidentifikasi spam, mengatasi teknik spam yang lebih kompleks masih menimbulkan kesulitan. Dalam hal ini, penelitian ini menyelidiki cara meningkatkan deteksi spam email melalui penerapan teknik pembelajaran mesin, khususnya Naïve Bayes dan C45. Studi ini menggunakan metodologi eksperimental untuk mengembangkan dan menilai kedua algoritma menggunakan berbagai kriteria kinerja, termasuk akurasi, presisi, perolehan, dan skor F1. Temuan penelitian ini diharapkan dapat memajukan penciptaan teknologi keamanan informasi yang lebih fleksibel dan responsif secara signifikan serta memberikan saran yang berguna bagi pengembang sistem keamanan informasi dalam memilih algoritma terbaik untuk mengidentifikasi spam email.

Item Type:	Thesis (Bachelor)
Subjects:	T Technology > T Technology (General) T Technology > TS Manufactures
Divisions:	Skripsi > Fakultas Teknologi Komunikasi dan Informatika > Program Studi Teknik Informatika
Depositing User:	- Abdurrahman -
Date Deposited:	02 Jan 2025 03:56
Last Modified:	03 Jan 2025 01:42
URI:	http://repository.unas.ac.id/id/eprint/12508

Actions (login required)

View Item