Welcome to Scribd, the world's digital library. Read, publish, and share books and documents. See more
Download
Standard view
Full view
of .
Save to My Library
Look up keyword
Like this
1Activity
0 of .
Results for:
No results containing your search query
P. 1
Makalah AI ( Artificial intelligence ) Spam Filter

Makalah AI ( Artificial intelligence ) Spam Filter

Ratings: (0)|Views: 78 |Likes:
Published by BiJi biRu

More info:

Published by: BiJi biRu on Oct 22, 2012
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOC, PDF, TXT or read online from Scribd
See more
See less

10/22/2012

pdf

text

original

 
Makalah Artificial IntelengenceSpam Filter
Kelompok I :BAYHAQI PURNAMA - NPM.41155055070010TEUBAGUS SEPTEDI. B – NPM 41155050110083YULIA PRILISTANTI - 41155050090017BOY A.H. DJUHARI - NPM.41155055100084ADE
 JURUSAN TEKNIK INFORMATIKA - FAKULTAS TEKNIK UNIVERSITAS LANGLANGBUANABANDUNG2012
 
 Spam Filter 
ABSTRAK 
Penyaring
Spam Filter 
adalah teori mengenai aplikasi ilmu probabilitas dan statistikadalam bidang sistem informasi, khususnya pada proses penyaringan
 spam
 pada pesanelektronik. Teori ini merupakan pengembangan lebih lanjut dari Teorema Bayes yang padadasarnya digunakan untuk menghitung peluang suatu kejadian dengan adanya sebuah datayang diketahui. Pada makalah ini akan dibahas mengenai Teorema Bayes, penerapannya dalam
 Bayesian spam filtering 
, dan cara kerja penyaring tersebut. Terdapat beberapa kelebihandan kekurangan dari penerapan teori ini. Selain itu, pada makalah ini juga dijelaskansalah satu aplikasi dan sistem kerja
 Bayesian spam filtering 
dalam sebuah perangkat lunak komersial, yaitu SpamBayes. Perkembangan lebih lanjut dari teori ini juga dipaparkanuntuk melengkapi penjelasan mengenai perangkat ini.
I. PENDAHULUAN
Dalam dunia informasi, isu tentang banjirnya
 spam (junk mail)
 pada
email 
merupakan persoalan yang cukup mengganggu dan meresahkan bagi pengguna. Pengaruhnyayaitu kotak masuk menjadi penuh oleh surat dan pesan yang tidak penting untuk dibaca. Dalamhitungan bulan saja, bisa ribuan
 spam
yang masuk. Secara teknis, banjirnya
 spam
mengkonsumsi
bandwidth
yang masuk, merupakan ancaman yang dapat meredam arus mail yangsesungguhnya, dan memunculkan kerepotan sistem administrasi yang sedang berlangsung.
“If you compete with slaves, you become a slave”
(Norbert Wiener). Sesuai katamutiara tersebut, apakah kita sebagai pengguna harus terus sabar membuang waktu memisahkanmanakah pesan penting dan menghapus ribuan
 spam
? Untuk mengatasi masalah ini telahditemukan aplikasi yang secara umum berguna untuk mengeliminasi pesan surat yang tidak diinginkan itu sehingga dapat mencegah
 spam
dalam mengacaukan utilitas dari sistem
email 
.Hubungannya dengan ilmu Probabilitas dan Statistika yaitu dasar dari aplikasi inimerupakan penerapan lebih lanjut dari teorema probabilitas Bayes dengan penyesuaian yangdiperlukan. Variasi
 spam filtering 
dari teori dasar Bayes ini telah diterapkan di sejumlah karya penelitian dan produk perangkat lunak komersial. Banyak pengguna
email 
telah menerapkan penyaringan
 spam
Bayes dengan menginstal program penyaringan email terpisah. Penyaring
email 
seperti DSPAM, SpamAssassin, SpamBayes, Bogofilter dan ASSP menggunakan teknik  penyaringan
 spam
Bayesian, dan fungsionalitas ini kadang tertanam dalam perangkat lunak 
mail 
 
 server 
itu sendiri.Program
mail filtering 
 pertama yang diketahui menggunakan teori Bayes adalah program iFile Jason Rennie, dirilis pada tahun 1996. Program ini digunakan untuk menyortir surat ke dalam folder. Publikasi pertama tentang
 spam filtering 
Bayesian dilakukan oleh Sahami pada tahun 1998 dalam
 spam filter 
komersial. Namun, pada tahun 2002, Paul Graham berhasil meningkatkan tingkat positif palsu, sehingga dapat digunakan dengan sendirinyasebagai
 spam filter 
tunggal. Sebagai contoh aplikasinya, dalam makalah ini secara khususakan dibahas sistem penyaringan
 spam
Bayesian dalam perangkat lunak SpamBayes.
II. TEORI DASAR 
A. TEOREMA BAYESTeorema Bayes merupakan alat untuk menentukan bagaimana peluang yang seharusnyadari sebuah hipotesa (H), dengan adanya sebuah data (D) yang diketahui dari percobaan yang berhubungan dengan hipotesa tersebut. Sebelum dilakukan pengamatan terhadap data percobaan, hipotesa yang akan dicari peluangnya harus diyakini benar terjadi terlebih dahulu.Rumusnya sebagai berikut.Keterangan:P(H)=
 prior probability;
 peluang H benar sebelum data D diamatiP(D|H) =
conditional probability;
 probabilitas bersyarat yang melihat data D dengan mengingatatau meyakini bahwa H benar.P(D)=
marginal probability;
 peluang terjadinya D P(H|D) =
 posterior probability;
 peluang bahwa hipotesis benar, mengingat data dan kondisi sebelumnya turut meyakini hipotesisBerdasarkan rumus di atas, jika H adalah kejadian sembarang dalam S dengan P(D) 0, maka teorema Bayes memungkinkan kita menentukan peluang berbagai kejadian H1, H2,..., Hn yang dapatmenyebabkan D terjadi. Rumusnya sebagai berikut.

You're Reading a Free Preview

Download
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->