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:	https://repository.unas.ac.id/id/eprint/12508

Actions (login required)

View Item