Analisis Performa Algoritma Klasifikasi untuk Deteksi Spam pada Email

Abstract

Deteksi spam pada email merupakan masalah penting dalam bidang keamanan siber dan pengelolaan
informasi. Berbagai algoritma klasifikasi telah dikembangkan untuk mengidentifikasi dan memfilter
email spam secara efektif. Penelitian ini bertujuan untuk menganalisis performa beberapa algoritma
klasifikasi, termasuk Naive Bayes, K-Nearest dan Random Forest, Support Vector Machine dalam
mendeteksi email spam. Penelitian menggunakan data Enron-Spam, yang berisi email spam dan non-
spam (ham) yang telah dikategorikan. Evaluasi dilakukan berdasarkan beberapa metrik performa seperti
F1-score, akurasi, presisi, dan recall. Dengan hasil bahwa tingkat akurasi yang tinggi dengan algoritma
Random Forest, sedangkan Naive Bayes menunjukkan performa yang lebih baik dalam hal presisi. SVM
dan KNN juga menunjukkan hasil yang kompetitif, namun kinerja mereka bervariasi tergantung pada
parameter dan konfigurasi yang digunakan. Penelitian ini memberikan wawasan tentang kelebihan dan
kelemahan masing-masing algoritma dalam konteks deteksi spam, serta rekomendasi untuk
implementasi praktis dalam sistem filter email. Dengan memahami karakteristik dan performa dari
berbagai algoritma klasifikasi, diharapkan dapat meningkatkan efektivitas sistem deteksi spam dan
mengurangi jumlah email spam yang diterima oleh pengguna.