D-344
JURNAL SAINS DAN SENI ITS Vol. 5 No. 2 (2016) 2337-3520 (2301-928X Print)
Klasifikasi Email Spam dengan Menggunakan Metode Support Vector Machine dan k-Nearest Neighbor Shiela Novelia Dharma Pratiwi, Brodjol Sutijo Suprih Ulama Jurusan Statistika, Fakultas MIPA, Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya 60111 Indonesia e-mail:
[email protected],
[email protected] AbstrakβAkibat dari penggunaan email yang sangat intens dapat menyebabkan dampak positif dan negatif. Hal ini dikarenakan tidak semua orang dapat menggunakan email dengan baik dan diketahui banyak sekali penyalahgunaan email yang berpotensi dapat merugikan perusahaan ataupun individual. Email yang disalahgunakan ini biasa dikenal sebagai spam atau junkmail (email sampah), isi dari email tersebut bisa berupa iklan penjualan produk, penipuan berkedok menang undian atau bahkan virus dan malware. Banyaknya penyalahgunaan email ini menimbulkan kerugian yang cukup besar antara lain dapat meningkatkan data traffic dan menyebabkan kerugian ekonomis yang cukup signifikan, terutama bagi perusahaan. Hal-hal tersebut mendasari dilakukannya penelitian tentang klasifikasi email yang kemudian akan diklasifikasikan berdasar dua kategori utama yaitu email spam dan ham. Pengklasifikasian email pada penelitian ini diselesaikan dengan menggunakan metode SVM dan KNN. Metode SVM atau Support Vector Machine merupakan salah satu metode terbaik yang dapat digunakan dalam masalah klasifikasi pola, sedangkan metode KNN atau k-Nearest Neighbor metode pengklasifikasian yang berdasar pada pengukuran jarak tertangga terdekat yang memiliki performansi yang baik ketika data training yang diberikan sedikit. Beberapa referensi menyebutkan bahwa metode KNN dan SVM akan memberikan hasil ketepatan klasifikasi yang lebih baik bila dikombinasikan dengan teknik partisi data k-fold cross validation (k-fold cv), yang mana pada penelitian ini k yang digunakan adalah 10. Sehingga dari kombinasi antara metode klasifikasi dan teknik partisi diatas didapatkan kesimpulan bahwa kombinasi metode KNN pada k = 3,5,7,9,11 dengan 10-fold cv menghasilkan ketepatan klasifikasi terbaik pada saat k=3 dengan hasil ketepatan klasifikasi sebesar 92.28% dengan error 7.72 % sedangkan kombinasi metode SVM menggunakan kernel linier dan RBF dengan 10-fold cv menghasilkan ketepatan klasifikasi terbaik dengan menggunakan SVM linier dengan ketepatan klasifikasi yang diberikan sebesar 96.6% dengan error 3.4% sehingga disimpulkan metode SVM lebih baik dibanding metode KNN. Kata Kunciβ email, ham, k-fold cross validation, kernel, ketepatan klasifikasi, spam, Support Vector Machine, KNearest Neighbor.
I.
A
PENDAHULUAN
plikasi internet sebagai sarana komunikasi dilakukan dengan banyak metode, salah satu metode yang paling sering kita gunakan adalah dengan menggunakan email. Email atau surat elektronik dan merupakan salah satu penerapan internet dalam bidang komunikasi yang paling digemari karena mudah digunakan, cepat dan berbiaya murah. Berdasarkan penelitian yang dilakukan Radicati group jumlah akun email tahun 2012
diperkirakan sebanyak 3,3 miliar akun. Dengan rincian 75% pemilik akun adalah perseorangan atau pribadi, sisanya sebanyak 25% digunakan oleh perusahaan dan diprediksi pada tahun 2016 akan menjadi 4,3 miliar akun. Penggunaan email yang sangat intens ini menimbulkan dampak positif dan negatif karena pada kenyataannya tidak semua orang menggunakan email dengan baik dan bahkan ada banyak sekali penyalahgunaan email sehingga berpotensi untuk merugikan orang lain. Email yang disalah gunakan ini biasa kita kenal sebagai spam atau junkmail (email sampah) yang mana email tersebut berisikan iklan, penipuan dan bahkan virus [1]. Pentingnya dilakukan penelitian ini dikarenakan penanganan email spam yang efektif tidak hanya dapat mengurangi kerugian perusahaan tetapi juga meningkatkan kepuasan dari pengguna email itu sendiri. Penelitian ini pendeteksian email spam akan digali dari isi dari email, dengan cara menganalisis frekuensi penggunaan kata yang ada pada email spam dan ham. Dari frekuensi yang diberikan oleh analisis tersebut kemudian akan dilihat bagaimana karakteristik dari email spam dan ham pada dataset yang digunakan. Kemudian hasil analisa akan di klasifikasi dengan menggunakan metode SVM dan KNN. SVM atau Support Vector Machine merupakan salah satu metode terbaik yang dapat digunakan dalam masalah klasifikasi pola. Chen, Lu dan Huang (2009) mengatakan bahwa SVM merupakan salah satu metode pengklasifikasian yang memberikan hasil terbaik. Sedangkan KNN atau k- Nearest Neighbor metode pengklasifikasian yang berdasar pada pengukuran jarak tertangga terdekat serta memiliki performansi yang baik ketika data training yang diberikan sedikit [2]. Hal inilah yang mendasari dilakukannya penelitian tentang klasifikasi email spam menggunakan metode Support Vector Machine (SVM) dan kβNearest Neighbour (KNN) sehingga dapat diketahui hasil performansi yang diberikan oleh kedua metode tersebut. II.
TINJAUAN PUSTAKA
Text Mining Text mining merupakan salah satu cabang ilmu data mining yang mengacu pada pencarian informasi, dengan menganalisis data berupa dokumen teks [3]. Text mining, mengacu pada proses mengambil informasi berkualitas tinggi dari teks [4]. 1) Email Spam dan Ham Email spam dapat dikatakan penyalahgunaan email yang dapat merugikan orang lain [1]. Jenis dari email
JURNAL SAINS DAN SENI ITS Vol. 5 No. 2 (2016) 2337-3520 (2301-928X Print) spam ini ada beberapa macam, beberapa diantaranya adalah iklan, malware dan phising. Sedangkan email ham adalah legitimate email yang salah diklasifikasikan sehingga masuk dalam klasifikasi spam. 2) Information Gain Information gain bisa dianggap masuk ke dalam preprocessing teks, tujuan digunakan information gain ini adalah untuk mengukur efektivitas suatu atribut dalam mengklasifikasikan data. Tahapan dalam Information Gain adalah dengan membuat: a. Wordlist atau dictionary, pembuatan kamus kata berdasar jumlah kata yang ditemukan pada dataset b. Feature Selection, merupakan suatu pembobot yang dipilih berdasarkan perhitungan bobot spamicity, perhitungan bobot spamicity memenuhi persamaan berikut. Pr(π€|π) 2.1 ππππππππ‘π¦(π€) =
Pr(π€|π) + ππ(π€|π»)
Dengan: Pr(w|S) = Peluang bahwa sebuah kata muncul di email spam. Pr(w|H) = Peluang bahwa sebuah kata muncul di email ham. c. Feature Vectors Content pemilihan 100 jumlah kata dari keseluruhan kata yang muncul pada wordlist. Yang mana tiap kata telah diboboti dengan pembobot yang diberi nama feature selections. Pencarian 100 kata ini disebut tahapan selection of words dan dilanjutkan mencari frekuensi dari 100 kata tersebut dalam word frequencies. 3) Selection of Word Tahapan ini merupakan proses ranking untuk tiap kata pada berdasar bobot tertinggi [8]. Kriteria bobot tertinggi disini adalah jika bobot spamicity lebih tinggi tau kurang dari 0.5 (0.5 sebagai acuan) dengan penjelasan jika bobot spamicity mendekati nilai 1, maka bisa dikatakan kata tersebut merupakan indikator spam yang baik. Sebaliknya, jika bobot spamicity mendekati nilai 0, maka bisa dikatakan kata tersebut merupakan indikator ham yang baik. Namun ada kalanya nilai bobot spamicity ini menghasilkan nilai yang sangat kecil (jauh dari 0.5) sehingga jika hanya melihat dari spamicity tidaklah cukup, hal ini dapat ditanggulangi dengan melihat besar selisih absolut mengikuti persamaan berikut. D = |Pr(w|S) - Pr(w|H)| 2.2 Dari perhitungan dengan menggunakan persamaan 2.2 akan didapat nilai spamicity yang lebih besar dari 0 tetapi kurang dari 1. 4) Word Frequencies Untuk menyelesaikan klasifikasi pada dataset ini, perhitungan frekuensi kata yang memiliki bobot terbesar sangat dibutuhkan. Sehingga perhitungan frekuensi kemunculan kata selain digunakan untuk melihat karakteristik email juga digunakan untuk menyelesaikan perhitungan dengan metode SVM dan KNN pada penelitian ini. Kesalahan awal sejak pemilihan kata dan perhitungan frekuensi pada tahap information gain dapat berakibat pada tidak terklasifikasinya dataset dengan baik dan kesalahan klasifikasi yang semakin buruk (missclassification) N-fold Cross Validation N- fold cross validation adalah sebuah teknik partisi data yang menggunakan keseluruhan dataset yang ada
D-345
sebagai training dan testing [9]. Teknik ini mampu melakukan pengulangan data training dan data testing dengan algoritma N pengulangan dan partisi 1/N dari dataset, yang mana 1/N tersebut akan digunakan sebagai data testing. K-Nearest Neighbor (KNN) Metode Nearest Neighbor adalah metode pengklasifikasian yang berdasar jarak tetangga terdekat (nearest neighbor). Konsep dari KNN adalah mencari nilai dari k buah data training yang jaraknya paling dekat dengan data baru yang labelnya belum diketahui (bisa juga disebut data testing). Yang mana untuk mendapatkan besaran jarak ini dihitung dengan menerapkan perhitungan jarak minkowski, jarak mahalanobis dan jarak euclidean [10]. π 2
π(ππ , ππ ) = β β(πππ β πππ ) π=1
2.3
Dengan πππ πππ π(ππ , ππ )
k
= data testing ke-i pada variabel ke-k = data training ke-j pada variabel ke-k = jarak euclidean = dimensi data variabel bebas
Support Vector Machine (SVM) Support Vector Machine pertama kali diperkenalkan oleh Vapnik pada tahun 1992 sebagai rangkaian harmonis konsep-konsep unggulan dalam bidang pattern recognition [11]. SVM adalah metode learning machine yang bekerja atas prinsip Structural Risk Minimization (SRM) dengan tujuan menemukan hyperplane terbaik yang memisahkan dua buah class pada input space [12]. Usaha untuk mencari lokasi hyperplane ini merupakan inti dari proses pembelajaran pada SVM [13]. Pada penelitian ini fungsi yang digunakan untuk mencari hyperplane memenuhi persamaan berikut. π(π₯) = βππ π=1 πΌπ . πΎ(πππ , π₯) + π
2.4
Dengan keterangan : πΌπ = vektor koefisien untuk lagrange multiplier πΎ(πππ , π₯) = fungsi kernel yang digunakan b = error atau bias Pengukuran Performansi Klasifikasi Untuk mengevaluasi kinerja classifier dilakukan dengan cara mengukur ketepatan klasifikasi, precision dan recall [14]. Nilai ketepatan klasifikasi menggambarkan total klasifikasi data yang diklasifiksikan secara benar oleh classifier. Yang mana semakin tinggi nilai ketepatan klasifikasi yang diberikan, maka hasil klasifikasi akan semakin bagus dan akurat. Selain menghitung ketepatan klasifikasi evaluasi dengan menggunakan nilai precision dan recall dapat dilakukan Hal ini dikarenakan terkadang, nilai ketepatan klasifikasi kurang bisa merepresentasikan performa model secara signifikan [3]. III.
METODOLOGI PENELITIAN
Sumber Data Sumber data yang digunakan dalam penelitian ini merupakan email berbahasa inggris sebanyak 6000 email, 1500 ham dan 4500 spam, dengan format eml. Data ini
D-346
JURNAL SAINS DAN SENI ITS Vol. 5 No. 2 (2016) 2337-3520 (2301-928X Print)
merupakan kumpulan email spam dan ham dari beberapa perusahaan. Data ini didapatkan dari website Csmining Group yaitu sebuah lembaga pemerhati email. Langkah Analisis Langkah analisis yang dilakukan pada penelitian ini adalah sebagai berikut. 1. Menyiapkan dan mengumpulkan email 2. Text Preprocessing a. Information gain digunakan untuk mengukur efektivitas suatu atribut dalam mengklasifikasikan data. Tahapan dalam Information Gain adalah dengan membuat : i. Wordlist atau dictionary ii. Feature Vectors Content (selections of words dan word frequencies) 3. Mendapatkan hasil email yang sudah di-preprocessing 4. Melakukan pengacakan data dengan menggunakan 10fold cross validation. 5. Menganalisis karakteristik dari email spam dan ham. 6. Klasifikasi email menggunakan metode k-nearest neighbor dengan k = 3, 5, 7, 9, 11 dan membandingkan hasil klasifikasi yang diberikan oleh k yang berbeda pada KNN 7. Klasifikasi email menggunakan metode support vector machine dengan SVM linier dan kernel RBF serta membandingkan hasil klasifikasi yang diberikan oleh SVM linier dan kernel RBF 8. Melakukan uji pada 999 data testing dengan metode yang memberikan hasil klasifikasi terbaik dan mengambil analisis. 9. Membandingkan performansi metode SVM dan KNN berdasarkan tingkat ketepatan klasifikasi, precision dan recall IV.
ANALISIS DAN PEMBAHASAN
Text Preprocessing dan Karakteristik email Tahapan ini adalah tahap screening data yang bertujuan mendapatkan karakteristik email dengan melihat kata yang muncul pada email dan frekuensi kemunculan kata dan untuk meningkatkan ketepatan klasifikasi dari data. Proses case folding, stemming, stopwords dan tokenizing tidak dilakukan. Hal ini dikarenakan kata penghubung, kata yang bukan kata dasar, dan kata yang tidak relevan bisa menjadi variabel yang signifikan dalam penelitian pada penelitian ini. sehingga tahapan yang dilakukan hanyalah information gain, yang meliputi pembuatan wordlist. Dengan menggunakan bantuan python, sublime text dan R didapat hasil seperti pada Tabel 4.1 TABEL 4.1 KUMPULAN MACAM KATA YANG DITEMUKAN DALAM WORDLIST Kata Kata Kata Kata Kata Kata can re number best meeting subject any only were report lokay to more ; name click full the ... ... ... ... ... ... ... ... ... ... ... ... contact order Then market keep all like when Take note visit has
Dari Tabel 4.1 ditemukan terdapat 18422 macam kata yang muncul pada keseluruhan dataset. Selanjutnya tahapan berikutnya yaitu feature vectors content yaitu pemilihan 100 jumlah kata yang didasarkan pada pembobotan feature selections. Untuk menyelesaikan
tahapan feature selections, digunakan software Sublime Text (Unregistered Vesion) dengan menambahkan formula pembobot yang memenuhi persamaan (2.2) dan persamaan (2.3) pada bab II. Tahapan ini juga mencakup perhitungan selection of word sehingga hasil feature vectors content dapat dilihat pada Tabel 4.2. TABEL 4.2 HASIL FEATURE VECTORS CONTENT DENGAN BOBOT SPAMICITY
No. 1 2 3 ... ... 98 99 100
Kata enron 2001 please ... ... continue out price
Pr(w|H) 0.48 0.306667 0.566667 ... ... 0.1 0.066667 0.013333
Pr(w|S) 0 0.01566 0.290828 ... ... 0.194631 0.161074 0.107383
D 0.48 0.291007 0.275839 ... ... 0.094631 0.094407 0.094049
Spamicity 0 0.048584 0.33916 ... ... 0.660592 0.707269 0.889548
Dari Tabel 4.2 dapat diketahui bahwa Pr(w|H) merupakan nilai probabilitas kemunculan kata tersebut pada email ham. Pr(w|S) merupakan nilai probabilitas kemunculan kata tersebut pada email spam. D adalah nilai mutlak dari selisih probabilitas email spam (Pr(w|S)) dan ham (Pr(w|H)). Sedangkan spamicity adalah bobot kecenderungan kata pada data yang digunakan untuk menentukan kelas dari kata tersebut. Jika nilai spamicity mendekati nol maka kata tersebut merupakan indikator ham yang baik, sedangkan jika semakin mendekati satu maka merupaka indikator spam yang baik. Kata the you this ... ... with will our
TABEL 4.3 HASIL WORD FREQUENCIES Frekuensi Kata Frekuensi Kata 49583 market 1467 paso 15141 year 1195 regards 13650 message 1163 contract ... ... ... ... ... ... ... ... 7852 power 962 markets 6235 2001 930 point 5664 best 904 meeting
Frekuensi 478 474 465 ... ... 444 444 435
Untuk melihat kata yang menyusun salah satu kelas, dapat dilakukan dengan melihat nilai nilai bobot Pr(w|H) dan Pr(w|S). Jika nilai bobot, baik Pr(w|H) dan Pr(w|S), lebih dari nol tetapi kurang dari satu, maka kata tersebut muncul di kedua email. Jika nilai bobot Pr(w|H) = 0 maka kata tersebut hanya ada pada email spam dan sebaliknya. Sedangkan frekuensi dari 100 kata yang menjadi variabel ditampilkan pada Tabel 4.3. KNN untuk Klasifikasi email spam dan ham Setelah dilakukan text preprocessing dan pencarian karakteristik email, tahapan berikutnya adalah mencari ketepatan klassifikasi email dengan menggunakan metode KNN. K yang akan digunakan pada analisis penelitian ini yaitu 3, 5, 7, 9, 11. Berikut hasil klasifikasi dengan metode KNN. TABEL 4.4 HASIL KLASIFIKASI DENGAN METODE KNN PADA SEMUA FOLD Ketepatan Weighted Weighted kError Klasifikasi Precision Recall 7.72% 3 92.28% 92.3% 92.3% 92.17% 92.3% 92.2% 7.83% 5 91.87% 92.1% 91.9% 8.13% 7 91.75% 92.0% 91.8% 8.25% 9 91.3% 91.6% 91.3% 8.70% 11
Dari Tabel 4.4 dapat dilihat bahwa nilai ketepatan klasifikasi paling optimal adalah saat k = 3, dengan ketepatan klasifikasi sebesar 0.9228 atau 92.28%. Artinya
JURNAL SAINS DAN SENI ITS Vol. 5 No. 2 (2016) 2337-3520 (2301-928X Print)
Pengamatan
TABEL 4.5 HASIL CONFUSION MATRIX UNTUK 3-NN PADA SEMUA FOLD Confusion Matrix Prediksi Ham Spam Total 1121 379 Ham 1500 84 4416 Spam 4500 Total 1205 4795 6000
Dengan rincian email ham yang salah diklasifikasikan sebagai email spam ada sebanyak 379 dari total 1500 email ham, serta terdapat 84 dari total 4500 email spam yang salah diklasifikasikan sebagai email ham. Dari hasil pembahasan pada paragraf sebelumnya dapat diketahui bahwa metode 3-NN memberikan hasil yang terbaik dengan error terkecil yaitu 7.72% dan ketepaan klasifikasi sebesar 92.28%. Nilai pada hasil tersebut merupakan nilai yang didapat dari rata-rata keseluruhan semua fold. Perlu diketahui bahwa setiap fold memiliki jumlah data sebanyak 600 email dengan rincian 150 email spam dan 450 email ham. Hasil pengukuran performansi klasifikasi tiap folds ditunjukkan Tabel 4.12. Dari Tabel 4.12 diketahui bahwa dari 10 folds yang digunakan, fold yang memberikan hasil paling optimum adalah fold ke-8. Nilai tersebut menunjukkan bahwa dari 600 data email pada fold ke-8 pada metode 3-NN terdapat 48 email yang mengalami misklasifikasi dengan rincian dari 150 email ham ada 42 email ham yang salah diklasifikasikan sebagai email spam dan dari 450 email spam ada 6 email spam yang salah diklasifikasikan sebagai email ham. TABEL 4.12 PENGUKURAN PERFORMANSI KLASIFIKASI METODE 3-NN TIAP FOLD Ketepatan Folds Precision Recall Error Klasifikasi 91.33% 92.24% 91.12% 8.67% 1 91.67% 90.98% 91.84% 8.33% 2 93.50% 93.70% 93.45% 6.50% 3 92.33% 94.83% 91.74% 7.67% 4 91.67% 93.10% 91.32% 8.33% 5 92.33% 91.27% 92.62% 7.67% 6 91.33% 92.24% 91.12% 8.67% 7 8 93.67% 95.16% 93.28% 6.33% 93.17% 93.60% 93.05% 6.83% 9 92.00% 93.22% 91.70% 8.00% 10
SVM untuk Klasifikasi email spam dan ham 1) SVM dengan Kernel RBF Untuk kernel RBF, ada beberapa parameter yang harus diperhatikan yaitu parameter C dan Ξ³ (gamma). Parameter C berfungsi sebagai koefisien optimasi sedangkan Ξ³ merupakan parameter dari persamaan kernel RBF.
Penentuan parameter pada kernel RBF ini sangat penting karena nilai parameter C dan Ξ³ yang berbeda akan menghasilkan hasil performansi yang berbeda. Untuk mencari nilai parameter C dan Ξ³ yang baik dapat dilakukan dengan menggunakan metode trial error yaitu mencobakan nilai parameter C dan Ξ³ dari 10-2 hingga 102 pada dataset yang telah disiapkan sebelumnya [15]. TABEL 4.8 HASIL PERFORMANSI UNTUK MENCARI PARAMETER TERBAIK DENGAN METODE TRIAL ERROR Gamma (Ξ³) C 0.01 0.1 1 10 100 75% 75% 75% 75% 75% 0.01 87.98% 77.90% 75.26% 75.23% 76.65% 0.1 95.18% 87.78% 77.30% 76.65% 76.65% 1 88.50% 77.45% 76.65% 76.65% 10 96.07% 95.80% 87.65% 77.45% 76.65% 76.65% 100
Dari hasil Tabel 4.8 diketahui bahwa untuk mendapatkan hasil klasifikasi yang baik nilai parameter C dan Ξ³ yang harus di gunakan adalah C = 10 dan Ξ³ = 0.01. sehingga didapat hasil seperti pada tabel 4.9. TABEL 4.9 HASIL KETEPATAN KLASIFIKASI SVM-KERNEL RBF PADA SEMUA FOLD Ketepatan Weighted Weighted Error Klasifikasi Precision Recall 96.07% 96.10% 96.10% 3.93%
Merujuk Tabel 4.9 didapat hasil bahwa ketepatan klasifikasi yang diberikan oleh SVM dengan kernel RBF adalah sebesar 96.07%. Sedangkan nilai precision dan recall berturut-turut adalah 96.10% dan 96.10% TABEL 4.10 HASIL CONFUSION MATRIX SVM-KERNEL RBF PADA SEMUA FOLD Confusion Matrix Prediksi Ham Spam Total 1326 174 Ham 1500 62 4438 Spam 4500 Total 1388 4612 6000
Pengamatan
peluang email spam dan ham yang mengalami klasifikasi hanya sebesar 7.72%. artinya dari 6000 email yang salah di klasifikasikan ada sebesar 463 email. Sedangkan untuk nilai precision adalah tingkat ketepatan antara informasi yang diminta oleh pengguna dengan hasil yang diberikan oleh sistem, dari hasil Tabel 4.4 diketahui bahwa hasil precision terbaik adalah 92.3% artinya adalah hasil perhitungan yang diberikan oleh sistem mampu mengklasifikasikan data dengan ketepatan hingga 92.3%. Sedangkan untuk nilai recall adalah ketepatan sistem untuk mengklasifikasikan data dengan benar, dari hasil Tabel 4.4 diketahui bahwa hasil recall terbaik adalah 92.3% artinya adalah sistem mampu mengklasifikasikan data dengan benar dengan ketepatan 92.3%.
D-347
Error maksimum yang diberikan sebesar 3.93% artinya dari 6000 email email yang salah di klasifikasikan ada sebesar 236 email. Merujuk Tabel 4.10 diketahui bahwa email ham yang salah diklasifikasikan sebagai email spam ada sebanyak 174 dari total 1500 email ham. Selanjutnya email spam yang salah diklasifikasikan sebagai ham ada sebanyak 62 dari total 4500 email spam. 2) SVM Linier Sama seperti kernel RBF, SVM linier juga memiliki parameter. Parameter yang digunakan adalah parameter C yang mana nilai parameter C yang akan memberikan hasil terbaik adalah C = 1 nilai ini didasarkan pada metode trial error dengan mencobakan nilai C dari 1 hingga 10. Hasil metode trial error ditunjukkan pada Tabel 4.11 TABEL 4.11 KETEPATAN PARAMETER C DENGAN TRIAL ERROR C 1 2 3 4 5 96.55% 96.57% 96.58% 96.58% Ketepatan 96.6% TABEL 4.11 KETEPATAN PARAMETER C DENGAN TRIAL ERROR (LANJUTAN) C 6 7 8 9 10 Ketepatan 96.58% 96.55% 96.58% 96.55% 96.55%
Berdasarkan hasil pada Tabel 4.11 diketahui bahwa ketepatan tertinggi diberikan oleh C = 1 yaitu sebesar 96.6 %. Sehingga analisis akan dilakukan dengan menggunakan C = 1 agar mendapat hasil yang optimal. Berikut adalah hasil analisis dengan menggunakan SVM linier dengan C = 1.
D-348
JURNAL SAINS DAN SENI ITS Vol. 5 No. 2 (2016) 2337-3520 (2301-928X Print)
TABEL 4.12 HASIL KETEPATAN KLASIFIKASI SVM- KERNEL LINIER PADA SEMUA FOLD Ketepatan Klasifikasi Precision Recall Error 96.6% 96.6% 96.6% 3.4%
Merujuk Tabel 4.12 didapat hasil bahwa ketepatan klasifikasi yang diberikan oleh SVM dengan SVM Linier adalah sebesar 96.6%. Diketahui bahwa nilai precision adalah tingkat ketepatan antara informasi yang diminta oleh pengguna dengan hasil yang diberikan oleh sistem, dari hasil Tabel 4.12 diketahui bahwa hasil precision terbaik adalah 96.6% artinya adalah hasil perhitungan sistem mampu mengklasifikasikan data dengan ketepatan hingga 96.6%. Sedangkan untuk nilai recall adalah ketepatan sistem untuk mengklasifikasikan data dengan benar, dari hasil Tabel 4.12 diketahui bahwa hasil recall terbaik adalah 96.6% artinya adalah sistem mampu mengklasifikasikan data dengan benar dengan ketepatan 96.6%. Error maksimum yang diberikan sebesar 3.4% artinya dari 6000 email email yang salah di klasifikasikan ada sebesar 204 email, dengan rincian seperti pada Tabel 4.13.
Pengamatan
TABEL 4.13 HASIL CONFUSION MATRIX SVM-KERNEL LINIER PADA SEMUA FOLD Confusion Matrix Prediksi Ham Spam Total 1333 167 Ham 1500 37 4463 Spam 4500 Total 1370 4630 6000
Berdasarkan hasil pada Tabel 4.13 diketahui bahwa email ham yang salah diklasifikasikan sebagai email spam ada sebanyak 167 dari total 1500 email ham. Sedangkan untuk email spam yang salah diklasifikasikan sebagai ham ada sebanyak 37 dari total 4500 email spam.Dari hasil pembahasan pada paragraf sebelumnya dapat diketahui bahwa metode SVM dengan kernel linier memberikan hasil yang terbaik dengan error terkecil yaitu 3.4% dan ketepaan klasifikasi sebesar 96.6%. Nilai pada hasil tersebut merupakan nilai yang didapat dari rata-rata keseluruhan semua fold padahal seharusnya untuk menghitung hyperplane baru diperlukan model dari salah satu fold yang memberikan hasil paling optimum sehingga pada Tabel 4.14 akan ditunjukkan hasil perhitungan klasifikasi tiap fold-nya. Sehingga dapat diketahui fold yang memberikan hasil paling optimum dan model terbaik untuk menghitung hyperplane baru. Perlu diketahui bahwa setiap fold memiliki jumlah data sebanyak 600 email dengan rincian 150 email spam dan 450 email ham. Berikut adalah Tabel 4.14. TABEL 4.14 PENGUKURAN PERFORMANSI KLASIFIKASI SVM-KERNEL LINIER TIAP FOLD Folds Ketepatan Klasifikasi Precision Recall Error 96.67% 97.10% 96.54% 3.33% 1 95.33% 97.66% 94.70% 4.67% 2 96.83% 96.45% 96.95% 3.17% 3 4 97.67% 97.22% 97.81% 2.33% 96.33% 97.76% 95.92% 3.67% 5 96.67% 97.10% 96.54% 3.33% 6 96.17% 95.68% 96.31% 3.83% 7 96.67% 97.10% 96.54% 3.33% 8 96.33% 97.76% 95.92% 3.67% 9 97.33% 99.26% 96.77% 2.67% 10
Dari Tabel 4.14 diketahui bahwa dari 10 folds yang digunakan, fold yang memberikan hasil paling optimum
adalah fold ke-4. Nilai tersebut menunjukkan bahwa dari 600 data email pada fold ke-4 pada metode SVM linier terdapat 14 email yang mengalami misklasifikasi dengan rincian dari 150 email ham ada 10 email ham yang salah diklasifikasikan sebagai email spam dan dari 450 email spam ada 4 email spam yang salah diklasifikasikan sebagai email ham. Perbandingan antara Metode KNN dan SVM Diketahui bahwa untuk metode KNN hasil klasifikasi terbaik adalah saat k = 3 atau 3-NN, sedangkan untuk SVM adalah dengan kernel linier. Tabel 4.15 berikut menunjukkan perbandingan antara kedua metode berdasarkan ketepatan klasifikasi, precision dan recall. TABEL 4.15 PERBANDINGAN KETEPATAN KLASIFIKASI ANTARA KNN DAN SVM Weighted Weighted Ketepatan Metode Error Klasifikasi Precision Recall KNN SVM
92.28% 96.6%
92.3% 96.6%
92.3% 96.6%
7.72% 3.4%
Merujuk hasil dari 4.15 maka untuk semua cara pengukuran performa baik ketepatan klasifikasi, precision, recall dan nilai error, SVM linier memberikan performansi yang lebih baik dibandingkan 3-NN. Dengan demikian bisa dikatakan bahwa metode SVM mampu memberikan performa yang lebih baik dibanding KNN. Fungsi Hyperplane pada Metode Terbaik Fungsi hyperplane terbaik yang diberikan oleh metode SVM yang mana hyperplane yang diberikan memenuhi persamaan 483
π(π₯) = β πΌπ . πΎ(πππ , π₯) β 1.0229 π=1
Dengan fungsi kernel linier memenuhi persamaan πΎ(πππ , π₯) = πππ π x Sehingga fungsi hyperplane menjadi 483
π(π₯) = β πΌπ (πππ π x) β 1.0229 π=1
Diketahui bahwa nilai -1.0229 adalah nilai bias atau Ο (rho), kemudian πΌπ merupakan vektor koefisien atau lagrange multiplier dari support vector yang berukuran (483,1). Sedangkan SV adalah matriks support vektor berukuran (483,2), 483 merupakan jumlah SV dan 2 menunjukkan banyak kategori yang merupakan kelas email spam atau ham dengan penjelasan jika hasil akhir didapat nilai π(π₯) β₯ 0 maka akan termasuk pada kelas email ham dan sebaliknya, jika nilai π(π₯) β€ 0 maka akan termasuk pada kelas email spam. V.
KESIMPULAN DAN SARAN
Kesimpulan Berdasarkan penelitian yang telah dilakukan pada bab sebelumnya didapatkan kesimpulan sebagai berikut : 1. Banyak macam kata yang hanya menyusun dataset email ham ada sebanyak 12536 kata. Banyak macam kata yang hanya menyusun dataset email spam ada sebanyak 2804 kata. Sedangkan sisanya sebanyak 3082 kata adalah kata yang terdapat pada kedua email. 2. Metode KNN memberikan hasil performansi klasifikasi terbaik saat k = 3 dengan hasil ketepatan klasifikasi, precision dan recall berturut-turut sebesar
JURNAL SAINS DAN SENI ITS Vol. 5 No. 2 (2016) 2337-3520 (2301-928X Print) 92.28%, 92.3% dan 92.3% serta error sebesar 7.72% dari total 6000 email. 3. Metode SVM memberikan hasil klasifikasi terbaik dengan menggunakan kernel linier, nilai yang diberikan untuk ketepatan klasifikasi, precision dan recall berturut-turut sebesar 96.6%, 96.6% dan 96.6% serta error sebesar 3.4% dari total 6000 email. 4. SVM dengan kernel linier mampu memberikan hasil klasifikasi yang lebih baik dibandingkan dengan 3NN. 5. Diketahui bahwa SVM linier memberikan hasil yang terbaik dengan total support vector yang diberikan adalah sebanyak 483 SV dan bias sebesar negatif 1.0229. dengan fungsi hyperplane yang terbentuk adalah seperti berikut. 483
π(π₯) = β πΌπ (πππ π x) β 1.0229 π=1
Saran Saran untuk penelitian selanjutnya adalah Disarankan data yang digunakan memiliki proporsi yang seimbang untuk tiap kategori dan membuat wordlist 2 kata atau 3 kata serta melakukan preprocessing text untuk meningkatkan ketepatan klasifikasi. DAFTAR PUSTAKA [1]
Suyanto. (2014). Artificial Intelligence, Searching - Reasoning Planning - Learning. Bandung: Informatika Bandung.
[2]
Colas, F., & Brazdil, P. (2006). Comparison of SVM and Some Older Classification Algorithms in Text Classification Tasks.
[3]
Han, J., Kamber, M., & Pei, J. (2012). Data Mining : Concepts and Technique. United States of America: Morgan Kaufmann Publishers for Elsevier.
D-349
[4]
Saraswati, N. W. (2011). Text Mining dengan Metode Naive Bayes Classifier dan Support Vector Machine untuk Sentiment Analysis.
[5]
Rifqi, N., Maharani, W., & Shaufiah. (2011). Analisis dan Implementasi Klasifiksi Data Mining Menggunakan Jaringan Syarah Tiruan dan Evolution Strategis.
[6]
Weiss, S. M. (2010). Text mining: Predictive Methods for Analyzing Unstructured Information. New York: Springer.
[7]
Metsis, V., Androutsapoulos, I., & Paliouras, G. (2006). Spam Filtering with Naive Bayes β Which Naive Bayes? . CEAS PAPER .
[8]
Bengio, Y. (2004). No Unbiased Estimator of the Variance of KFold Cross-Validation. Journal of Machine Learning Research 5 (2004) 1089β1105.
[9]
Deokar, S. (2009). University of Minnesota Duluth. Diambil kembali dari CSEEWebsite:http://www.csee.umbc.edu/~tinoosh/cmpe650/slide s/K_Nearest_Neighbor_Algorithm.pdf
[10] Cortes, C., & Vapnik, V. (1995). βSupport-Vector Networks,β Machine Learning, vol. 20, no. 3, pp. 273-297. Machine Learning. [11] Feldman, R., & Sanger, J. (2007). The Text Mining Hand Book. New York: Cambridge University Press. [12] Nugroho, A. S., Witarto, A. B., & Handoko, D. (2003). Support Vector Machine : Teori dan Aplikasinya dalam Bioinformatika. [13] Miner, G., Nisbet, B., Elder, J., Delen, D., Fast, A., & Hill, T. (2012). Practical Text Mining and Statistical Analysis for Unstructured Text Data Applications. United State of America: Academic Press. [14] Chen, Y.-N., Lu, C.-A., & Huang, C.-Y. (2009). Anti Spam Filter Based on Naive Bayes, SVM and KNN Model. [15] Huang, C.-M., Lee, Y.-J., Lin, D. K., & Huang, S.-Y. (2007). Model Selection For Support Vector Machines Via Uniform Design. Computational Statistics & Data Analysis, 335-346.
