PREDIKSI SPAM EMAIL MENGGUNAKAN METODE SUPPORT VECTOR MACHINE DAN PARTICLE SWARM OPTIMIZATION
| Main Author: | Pudjiarti, Eni |
|---|---|
| Format: | Article info application/pdf Journal |
| Bahasa: | eng |
| Terbitan: |
STMIK Nusa Mandiri Jakarta
, 2016
|
| Online Access: |
http://ejournal.nusamandiri.ac.id/ejurnal/index.php/pilar/article/view/174 http://ejournal.nusamandiri.ac.id/ejurnal/index.php/pilar/article/view/174/150 |
Daftar Isi:
- Spam email adalah istilah yang digunakan untuk menggambarkan pesan yang dikirim dalam email massal atau email yang masuk diterima tanpa persetujuan. Spam Email Filtering adalah program yang digunakan untuk mendeteksi email yang tidak diinginkan dan mencegah email yang tidak diminta dan untuk masuk ke inbox pengguna email. Banyak teknik yang digunakan untuk membuat email penyaringan spam, salah satunya dengan menggunakan teknik klasifikasi. Support Vector Machine classifier adalah metode pembelajaran terawasi digunakan untuk mengklasifikasikan data. Tapi Support Vector Machine memiliki kelemahan pada kesulitan memilih fitur yang tepat dan bobot atribut optimal digunakan untuk menyebabkan tingkat akurasi prediksi rendah. Oleh karena itu, dalam penelitian ini menciptakan algoritma Model dan Support Vector Machine Support Vector Machine Model algoritma berdasarkan Particle Swarm Optimization untuk mendapatkan spam email aturan dalam memprediksi akurasi dan memberikan nilai yang lebih akurat. Setelah menguji dua model, yaitu Support Vector Algoritma Mesin dan Support Vector Machine berbasis Particle Swarm Optimization, hasil yang diperoleh dengan demikian diperoleh menguji algoritma menggunakan Support Vector Machine yang merupakan nilai yang diperoleh akurasi 85,75% dan nilai AUC adalah 0,901, sedangkan Tes menggunakan Support Vector Machine berbasis Particle Swarm Optimization nilai yang diperoleh akurasi 89,24% dan nilai AUC adalah 0,935 dengan tingkat yang baik klasifikasi diagnostik. Sehingga kedua metode memiliki berbagai tingkat akurasi yaitu sebesar 03:49% dan nilai-nilai AUC 0,034 perbedaan.