<![CDATA[Peningkatan penggunaan email telah menyebabkan lonjakan spam yang merugikan, seperti penipuan, phishing, dan iklan tidak sah. Untuk mengatasi hal ini, diperlukan sistem deteksi yang mampu mengklasifikasikan email dengan akurat sebagai spam atau ham. Penelitian ini mengusulkan metode Extreme Gradient Boosting (XGBoost) untuk klasifikasi spam email. Evaluasi dilakukan menggunakan Stratified K-Fold Cross Validation dan Confusion Matrix. Hasil evaluasi Klasifikasi spam email menggunakan metode Extreme Gradient Boosting menunjukkan bahwa model yang diusulkan memiliki akurasi sebesar 95,3%, precision 95,1%, recall 95,6%, dan F1-score 95,2%. Analisis confusion matrix mengungkapkan bahwa model berhasil mengklasifikasikan 326 email spam dengan benar (True Positive) dan 323 email non-spam dengan benar (True Negative), sementara tingkat kesalahan yang tercatat relatif kecil, yaitu 17 email non-spam salah diklasifikasikan sebagai spam (False Positive) dan 15 email spam salah diklasifikasikan sebagai non-spam (False Negative). Hasil ini menggambarkan keseimbangan yang baik antara kemampuan model untuk mengenali email spam dan menghindari kesalahan klasifikasi pada email non-spam. Secara keseluruhan, hasil analisis matriks evaluasi ini membuktikan bahwa metode Extreme Gradient Boosting adalah pendekatan yang efektif dalam mengklasifikasikan spam email.]]>
Copyrights © 2025
