Klasifikasi Spam Pada Email Berbahasa Indonesia Menggunakan FastText dan Bernoulli Naïve Bayes

Abstract

Indonesia menempati peringkat keenam di dunia dalam jumlah pengirim spam. Berbagai penelitian telah dilakukan terkait deteksi dan penyaringan spam, dengan algoritma Bayesian menjadi salah satu pendekatan yang paling banyak digunakan. Penelitian ini bertujuan untuk mengklasifikasikan pesan email berbahasa Indonesia ke dalam kategori spam dan non-spam. Dataset sekunder yang digunakan berjumlah 2.604 pesan, terdiri dari 1.362 pesan spam dan 1.242 pesan non-spam. Representasi kata dilakukan menggunakan FastText dengan pendekatan n-gram untuk menangkap informasi pada level sub-kata, sementara klasifikasi dilakukan menggunakan algoritma Bernoulli Naïve Bayes berbasis nilai biner. Eksperimen membandingkan kinerja algoritma Bernoulli Naïve Bayes dengan dan tanpa penggunaan FastText. Evaluasi dilakukan menggunakan metrik akurasi, confusion matrix, dan classification report, dengan pembagian data 70:30. Hasil penelitian menunjukkan bahwa kedua model, baik dengan maupun tanpa FastText, memberikan kinerja yang lebih seimbang pada tiap kelas dan memiliki recall yang lebih tinggi dalam mendeteksi spam. Sebaliknya, model tanpa FastText mencapai presisi dan recall sempurna untuk spam tetapi menunjukkan penurunan performa pada non-spam. Oleh karena itu, penggunaan FastText berkontribusi dalam meningkatkan sensitivitas dan keseimbangan klasifikasi email spam berbahasa Indonesia.