Deteksi Spam pada Email Menggunakan Natural Language Processing

Posted on by Anisa Rahma Nasution
0

Perkembangan teknologi informasi yang pesat telah menjadikan email sebagai salah satu sarana komunikasi utama dalam kehidupan sehari-hari, baik untuk keperluan pribadi maupun profesional. Melalui email, pengguna dapat bertukar informasi dengan cepat, efisien, dan murah. Namun, di balik kemudahan tersebut, muncul permasalahan serius berupa spam, yaitu pesan elektronik yang dikirim secara massal tanpa seizin penerima dan sering kali berisi iklan, promosi tidak relevan, atau bahkan upaya penipuan (phishing).

Spam tidak hanya mengganggu kenyamanan pengguna, tetapi juga dapat menimbulkan risiko keamanan seperti pencurian data pribadi, penyebaran malware, dan penurunan produktivitas akibat waktu yang terbuang untuk memilah pesan yang sah dan tidak sah. Oleh karena itu, diperlukan sistem yang mampu mendeteksi dan memfilter email spam secara otomatis agar pesan yang diterima pengguna lebih aman dan relevan.

Salah satu pendekatan yang efektif untuk mengatasi permasalahan ini adalah dengan menggunakan Natural Language Processing (NLP), yaitu cabang dari kecerdasan buatan yang berfokus pada pemrosesan dan pemahaman bahasa alami oleh komputer. Melalui NLP, isi dari pesan email dapat dianalisis untuk mengenali pola atau ciri khas yang membedakan antara email spam dan non-spam (ham).

Dengan memanfaatkan algoritma Machine Learning, sistem dapat dilatih menggunakan dataset berisi contoh email spam dan non-spam untuk kemudian mampu melakukan klasifikasi secara otomatis pada email baru. Metode ini terbukti efisien karena mampu beradaptasi terhadap perubahan pola bahasa yang digunakan oleh pengirim spam.

Berdasarkan uraian tersebut, penelitian atau proyek dengan judul “Deteksi Spam pada Email Menggunakan Natural Language Processing” bertujuan untuk membangun sistem cerdas yang dapat mengidentifikasi dan memfilter email spam secara akurat. Sistem ini diharapkan dapat membantu meningkatkan keamanan, efisiensi, dan kenyamanan pengguna dalam berkomunikasi melalui email.

2. Tujuan

  • Membangun sistem deteksi spam pada email yang mampu membedakan antara pesan spam dan pesan non-spam (ham) secara otomatis menggunakan metode Natural Language Processing (NLP).

  • Menerapkan tahapan preprocessing teks seperti tokenisasi, stopword removal, dan stemming untuk membersihkan serta menyiapkan data teks agar siap digunakan dalam proses klasifikasi.

  • Mengekstraksi fitur teks menggunakan metode TF-IDF (Term Frequency–Inverse Document Frequency) atau teknik representasi teks lainnya agar sistem dapat mengenali pola bahasa yang digunakan dalam email.

  • Menerapkan dan membandingkan algoritma Machine Learning seperti Naive Bayes, Logistic Regression, atau SVM untuk menentukan model terbaik dalam mendeteksi email spam.

  • Mengevaluasi kinerja sistem deteksi spam menggunakan metrik seperti akurasi, presisi, recall, dan F1-score untuk mengetahui sejauh mana sistem mampu mengklasifikasikan email secara tepat.

  • Meningkatkan keamanan dan efisiensi komunikasi email dengan meminimalkan jumlah pesan spam yang diterima oleh pengguna.

3. Dataset

Beberapa dataset populer:

  • SpamAssassin Public Corpus

  • Enron Email Dataset

  • Kaggle: SMS Spam Collection Dataset
    (meskipun berbentuk SMS, sering digunakan untuk eksperimen serupa)

Format umum dataset:

| Label | Text |
|--------|--------------------------------------|
| spam | Congratulations! You've won $1000! |
| ham | Hi John, let's meet tomorrow. |

4. Tahapan Implementasi

a. Preprocessing Teks

Langkah-langkah utama:

  1. Case folding – ubah semua huruf ke huruf kecil.

  2. Tokenization – memecah teks menjadi kata-kata.

  3. Stopword removal – hilangkan kata umum seperti “the”, “and”, “is”.

  4. Stemming/Lemmatization – ubah kata ke bentuk dasarnya.

  5. Cleaning – hapus angka, tanda baca, dan simbol.

Contoh Python (menggunakan nltk atau scikit-learn):

import re
from nltk.corpus import stopwords
from nltk.stem import PorterStemmerps = PorterStemmer()
stop_words = set(stopwords.words(‘english’))def preprocess(text):
text = text.lower()
text = re.sub(r'[^a-z]’, ‘ ‘, text)
tokens = text.split()
tokens = [ps.stem(w) for w in tokens if w not in stop_words]
return ‘ ‘.join(tokens)

b. Feature Extraction

Konversi teks menjadi angka agar bisa diproses oleh model ML:

  • Bag of Words (BoW)

  • TF-IDF (Term Frequency–Inverse Document Frequency)

  • Word Embedding (Word2Vec, GloVe, BERT, dsb)

Contoh TF-IDF:

from sklearn.feature_extraction.text import TfidfVectorizer

vectorizer = TfidfVectorizer(max_features=3000)
X = vectorizer.fit_transform(corpus).toarray()

c. Model Machine Learning

Beberapa model umum untuk klasifikasi teks:

  • Naive Bayes (paling populer dan efisien untuk spam detection)

  • Logistic Regression

  • Support Vector Machine (SVM)

  • Random Forest

  • Deep Learning (LSTM, BERT) untuk pendekatan lanjutan

Contoh Naive Bayes:

from sklearn.model_selection import train_test_split
from sklearn.naive_bayes import MultinomialNB
from sklearn.metrics import accuracy_score, classification_reportX_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
model = MultinomialNB()
model.fit(X_train, y_train)
y_pred = model.predict(X_test)print(“Accuracy:”, accuracy_score(y_test, y_pred))
print(classification_report(y_test, y_pred))

5. Evaluasi Model

Gunakan metrik:

  • Accuracy

  • Precision

  • Recall

  • F1-score

  • Confusion Matrix

Contoh:

precision recall f1-score support

ham 0.98 0.97 0.98 965
spam 0.93 0.96 0.94 150

accuracy 0.97 1115

Berdasarkan hasil penelitian dan implementasi sistem deteksi spam pada email menggunakan metode Natural Language Processing (NLP) dan Machine Learning, dapat disimpulkan bahwa:

  1. NLP mampu memproses dan mengekstraksi informasi penting dari teks email, sehingga sistem dapat mengenali pola kata atau kalimat yang umum muncul pada pesan spam maupun pesan non-spam (ham).

  2. Proses preprocessing teks seperti tokenisasi, stopword removal, dan stemming sangat berpengaruh terhadap hasil klasifikasi, karena langkah-langkah tersebut membantu mengurangi noise dan meningkatkan kualitas fitur yang dihasilkan.

  3. Model Machine Learning, khususnya Multinomial Naive Bayes dengan pendekatan TF-IDF, terbukti memberikan hasil yang akurat dan efisien dalam mendeteksi spam. Model ini memiliki keunggulan dalam menangani data teks dengan dimensi besar dan distribusi kata yang beragam.

  4. Berdasarkan hasil pengujian, sistem yang dibangun mampu mencapai tingkat akurasi yang tinggi (misalnya di atas 90%), yang menunjukkan bahwa pendekatan NLP efektif dalam mengidentifikasi email spam secara otomatis.

  5. Dengan penerapan sistem ini, pengguna dapat lebih mudah memfilter email yang masuk sehingga waktu dan keamanan dalam berkomunikasi melalui email dapat lebih terjamin.

Sebagai tindak lanjut, penelitian ini dapat dikembangkan lebih lanjut dengan menggunakan teknik deep learning seperti LSTM atau BERT untuk meningkatkan pemahaman konteks bahasa dan akurasi klasifikasi, serta integrasi dengan sistem keamanan email secara real-time.

Post Views: 478