<![CDATA[Masalah spam email tetap menjadi ancaman serius bagi keamanan dan efisiensi komunikasi digital. Metode deteksi spam konvensional sering kali gagal mengidentifikasi taktik spam yang semakin canggih, seperti penggunaan bahasa ambigu dan manipulasi teks. Hal ini menyebabkan lolosnya email berbahaya yang dapat mengakibatkan pencurian data sensitif dan kerugian finansial. Untuk mengatasi tantangan ini, diperlukan pendekatan yang lebih adaptif dan mampu memahami konteks linguistik yang kompleks. Tujuan dari penelitian ini adalah untuk meningkatkan akurasi deteksi email spam dengan menggunakan pendekatan Long Short Term Memory (LSTM), yang merupakan jenis dari Recurrent Neural Network (RNN). Untuk mencapai hal ini, kami menggunakan kumpulan data yang terdiri dari beragam teks email yang bersumber dari korpus SpamAssassin. Data menjalani pemrosesan teks, tokenisasi untuk mengubah teks menjadi urutan angka, yang kemudian dipadukan agar memiliki panjang yang seragam, dan kemudian melakukan padding pada urutan untuk menstandarkan panjang input. Melalui pelatihan dan evaluasi model LSTM, kami mengamati peningkatan substansial dalam akurasi deteksi mencapai 99.35%. Hasil ini menunjukkan kemampuan LSTM dalam menangani nuansa teks email, sehingga meningkatkan kinerja sistem deteksi spam secara signifikan. Kesimpulannya, pendekatan LSTM terbukti efektif dalam mengidentifikasi email spam dan dapat diadopsi sebagai solusi dalam sistem penyaringan email.]]>
Copyrights © 2024
