Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal IKRA-ITH Informatika : Jurnal Komputer dan Informatika
Arum Adila Ningtias
Universitas Esa Unggul
Computer Science & IT

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
KOMPARASI KINERJA SUPPORT VECTOR MACHINE DAN RANDOM FOREST UNTUK DETEKSI SPAM EMAIL BERBASIS TF-IDF TEKS Arum Adila Ningtias; Nizirwan Anwar; Arief Ichwani; Raden Teddy Iswahyudi
IKRA-ITH Informatika : Jurnal Komputer dan Informatika Vol. 10 No. 3 (2026): IKRAITH-INFORMATIKA Vol 10 No 3 November 2026
Publisher : Fakultas Teknik Universitas Persada Indonesia YAI

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Spam email merupakan salah satu permasalahan dalam komunikasi digital karena dapat mengganggu produktivitas,membebani sistem, serta berpotensi membawa ancaman keamanan seperti phishing, malware, dan penipuan digital. Penelitianini bertujuan membangun dan membandingkan performa algoritma Support Vector Machine (SVM) dan Random Forest dalammendeteksi spam email berbasis klasifikasi teks. Dataset yang digunakan adalah SMS Spam Collection yang terdiri dari 5.572pesan dengan 2 (dua) kelas, yaitu ham/non-spam dan spam. Tahapan penelitian dilakukan secara sekuensial melalui prosestext, cleaning, case folding, tokenization, stopword removal, ekstraksi fitur menggunakan Term Frequency-Inverse DocumentFrequency (TF-IDF), train-test split, pelatihan model SVM dan Random Forest, serta evaluasi performa. Evaluasi dilakukanmenggunakan metrik Accuracy, Precision, Recall, F1-score, ROC-AUC, dan Confusion matrix, sebagaimana dijelaskandalam rancangan penelitian dan evaluasi model pada dokumen . Hasil pengujian menunjukkan bahwa Linear SVM +GridSearchCV memperoleh performa lebih baik dibandingkan Random Forest + GridSearchCV, dengan Accuracy sebesar0,983857, Precision 0,978102, Recall 0,899329, F1-score 0,937063, dan ROC-AUC 0,987039. Random Forest memperolehAccuracy 0,959641, Precision 0,882353, Recall 0,805369, F1-score 0,842105, dan ROC-AUC 0,960280. Berdasarkan hasiltersebut, SVM lebih efektif dalam mendeteksi spam email karena mampu menghasilkan kesalahan klasifikasi yang lebihrendah dan performa evaluasi yang lebih seimbang.
Co-Authors Ichwani, Arief Nizirwan Anwar Raden Teddy Iswahyudi