PEMBANGUNAN SPAM FILTERING SYSTEM DENGAN METODE NAIVE BAYESIAN

Konferensi Nasional Sistem Informasi 2013, STMIK Bumigora Mataram 14-16 Pebruari 2013

Makalah Nomor: KNSI-72

PEMBANGUNAN SPAM E-MAIL FILTERING SYSTEM DENGAN METODE NAIVE BAYESIAN .1

Indrastanti R. Widiasari , Teguh Indra Bayu 1, 2

2

Fakultas Teknologi Informasi, Universitas Kristen Satya Wacana 1

2

[email protected], [email protected]

1. Pendahuluan Electronic mail (e-mail) merupakan media komunikasi dalam jaringan intranet maupun internet untuk berdiskusi (maillist), transfer informasi berupa file (mail attachment) bahkan dapat digunakan untuk media iklan suatu perusahaan atau produk tertentu [1]. Mengingat fasilitas e-mail yang murah dan kemudahan untuk mengirimkan ke berapapun jumlah penerimanya, maka beberapa pihak tertentu memanfaatkannya dengan mengirimkan e-mail berisi promosi produk atau jasa, pornografi, virus, dan hal-hal yang tidak penting ke ribuan pengguna e-mail. E-mail inilah yang biasanya disebut dengan spam mail. Dampak buruk yang paling utama dari adanya spam mail adalah terbuangnya waktu dengan percuma untuk menghapus spam mail dari inbox satu persatu. Meskipun berbagai perangkat lunak e-mail filtering banyak tersedia, namun masalah spam mail juga semakin berkembang. Berdasarkan permasalahan yang ada, maka hal yang harus dilakukan untuk mem-filter spam sehingga penggunaan spam dapat dicegah secara optimal oleh e-mail filtering. Metode yang digunakan merupakan salah satu metode e-mail filtering yang paling

populer yaitu Naive Bayesian filtering. Metode ini memanfaatkan teorema probabilitas yaitu teorema Bayes dan fungsionalitas data mining yaitu klasifikasi Naive Bayesian. Kelebihan Naive Bayesian filtering adalah tingkat akurasi yang tinggi dan error rate yang minimum. 2. Spam Spam muncul pertama kali pada bulan Mei tahun 1978. Spam tersebut bersifat iklan yang dikirimkan oleh Digital Equipment Corporation (DEC) tentang product DecSystem-20, kemudian pada April 1994, spam menyebar melalui USENET news merupakan forum diskusi yang paling populer pada masa itu dengan jumlah group mencapai ribuan dan semua group menerima iklan dari forum diskusi tersebut. Spam merupakan unsolicited e-mail (e-mail yang tidak diminta) yang dikirim ke banyak orang [2]. Spam juga dapat diartikan sebagai e-mail yang berisi promosi produk atau jasa, pornografi, virus, dan halhal yang tidak penting yang dikirim ke ribuan pengguna e-mail. Metode Bayesian filtering merupakan metode anti spam filtering terbaru. Metode ini mengenali spam

284


Metode Naïve Bayesian merupakan metode yang digunakan untuk memprediksi suatu kejadian pada masa yang akan datang, dengan cara membandingkannya dengan data atau evidence (bukti) yang ada pada masa lampau. Penggunaan probabilitas kata atau token dijadikan sebagai inputan probabilitas dari kejadian. Klasifikasi Naive Bayesian akan melihat data lama (previous data) dalam menentukan nilai kemiripan data yang baru. Jadi harus terdapat data lama yang digunakan sebagai data pembanding dalam proses Bayes.

berdasarkan kata-kata (token) yang terkandung pada sebuah e-mail [3]. Metode filter pada saat pertama kali dijalankan harus dilakukan proses training menggunakan dua koleksi e-mail, satu koleksi merupakan spam mail dan koleksi yang lain merupakan good mail. Proses training ini digunakan sebagai data pembanding terhadap e-mail yang masuk. Dengan cara seperti ini, pada setiap e-mail baru yang diterima, Bayesian filter dapat memperkirakan probabilitas (prediksi) spam berdasarkan kata-kata yang sering muncul di koleksi spam mail atau di koleksi good mail.

5. 3.

Email

(1)

Envelope dimana

Proses ini digunakan oleh Mail Transport Agent (MTA) untuk melihat rute atau jalur pesan. Biasanya user tidak melihat bagian ini karena prosesnya terjadi pada bagian MTA untuk pengiriman. •

PLocal-spam : probabilitas suatu kata sex terdapat pada spam mail.

Header

E-mail mengandung header yang digunakan sebagai informasi mengenai e-mail tersebut, mulai dari alamat pengirim, penerima, subjek dan lain-lain. Header originating date field dan original address fields sifatnya mandatory (diperintah), artinya user tidak dapat menggganti secara manual mengenai informasi tanggal pengiriman maupun alamat pengirim. •

Berdasarkan

Bayesian filter pada saat pertama kali dijalankan harus melakukan proses training terlebih dahulu. Proses training menggunakan sejumlah spam mail dan sejumlah good mail yang ditambahkan ke dalam suatu tabel atau data pembanding. Bayesian filter akan menghitung probabilitas lokal dari suatu kata, misalnya kata sex, untuk muncul di kelompok spam mail. Probabilitas lokal ini dapat dilihat seperti pada Persamaan 1 [3].

E-mail (Electronic Mail) atau surat elektronik sudah mulai dipakai pada tahun 1960-an. Pada saat itu internet belum terbentuk, yang ada hanyalah kumpulan mainframe yang terbentuk sebagai jaringan. Mulai tahun 1980-an, surat elektronik sudah bisa dinikmati oleh banyak orang. E-mail merupakan media komunikasi dalam jaringan intranet maupun internet untuk berdiskusi (maillist), transfer informasi berupa file (mail attachment) bahkan dapat digunakan untuk media iklan suatu perusahaan atau produk tertentu [1]. E-mail terdiri dari 3 komponen [4] yaitu : •

Perhitungan Probabilitas Algoritma Bayesian.

Nspam

:

jumlah spam mail dengan kata sex di dalamnya.

Nnonspam

:

jumlah nonspam mail dengan kata sex di dalamnya.

Persamaan 2 digunakan untuk menghitung probabilitas lokal dari suatu kata, terutama jika nilai Nspam dan Nnonspam kecil adalah bahwa probabilitas akan terletak di sekitar probabilitas ketidakpastian (P = 0.5). Berbeda dengan Persamaan 1, pada Persamaan 2 tidak akan memberikan nilai mutlak, jika terdapat frekuensi suatu kata dalam spam mail dan tidak terdapat dalam frekuensi good mail.

Body

Merupakan isi pesan dari pengirim ke penerima. Dalam mail body juga terdapat file attachment yang digunakan untuk mengirimkan e-mail berupa file (mail attachment).

(2) 4.

Metode Naive Bayesian

285


good mail. Score yang diberikan yaitu 0.99 untuk spam mail murni dan 0.01 untuk good mail murni.

dimana : C1 dan C2 : konstanta yang dipilih melalui eksperimen.

Setelah proses tokenizing dan scoring dilakukan, kemudian dengan menggunakan algoritma Naive Bayesian dilakukan metode combining. Metode combining adalah suatu rumus probabilitas yang digunakan untuk menghitung probabilitas token yang terdapat di dalam suatu mail. Setiap score yang terdapat pada token akan dihitung (combine) dan dirumuskan untuk menghasilkan suatu nilai antara 0% sampai dengan 100%. Nilai hasil tersebut dikenal dengan istilah threshold value. Nilai yang dihasilkan adalah nilai yang menentukan e-mail tersebut dinyatakan sebagai good mail atau spam mail. Setelah proses combining, dapat ditentukan email tersebut adalah spam mail atau good mail berdasarkan hasil perhitungan yang diperoleh.

Nilai dari C1 = dua dan C2 = satu, dan jika suatu kata “x” hanya ditemukan pada dua spam mail dan tidak ditemukan sama sekali pada good mail, maka probabilitas lokal suatu pesan baru yang mengandung kata tersebut dikategorikan sebagai spam adalah 0.83. Probabilitas ini tidak terlalu tinggi untuk dikategorikan sebagai spam. Sementara jika kata tersebut ditemukan pada sepuluh spam mail dan tidak ditemukan sama sekali pada good mail, maka probabilitas lokalnya akan sama dengan 0.95, yang cukup tinggi untuk dikategorikan sebagai spam. Perhitungan probabilitas ini jika dilakukan dengan Persamaan 1, akan memberikan hasil yang terlalu kasar, yaitu probabilitas mutlak sama dengan satu. Probabilitas lokal dari masing-masing kata tersebut kemudian menggunakan aturan rantai (chain rule) Bayesian untuk menentukan probabilitas total dari suatu pesan adalah spam. Chain rule Bayesian dapat dilihat pada Persamaan 1. Untuk menentukan probabilitas total, perhitungan tersebut dilakukan terus menerus secara iterative (tindakan mengulangi proses biasanya dengan tujuan mendekati tujuan yang diinginkan atau hasil) dari probabilitas lokal masing-masing kata pada pesan tersebut. 6.

7.

Aplikasi Spam E-mail Filtering System

Perancangan perangkat lunak program terdiri dari empat bagian yang utama, yaitu proses training, proses tokenizing, proses scoring, dan proses combining. Proses ini harus berurutan untuk mendapatkan hasil yang optimal dalam pengklasifikasian mail. Sebelum user dapat menggunakan program untuk pengklasifikasian mail secara otomatis dan memiliki false positive maupun false negative yang optimal, user harus terlebih dahulu melakukan proses training. Apabila user sudah mempunyai referensi dari e-mail yang dikategorikan sebagai spam maupun good mail. Proses training ini terjadi saat pertama kali program dibuat dan belum adanya data yang terdapat dalam tabel token. Proses tokenizing merupakan proses memilah kata atau token dalam mail body berdasarkan spasi kata dan kata yang sering muncul.

Metode Tokenizing, Scoring dan Combining

Metode tokenizing akan membaca mail dan memecahnya menjadi beberapa kata (token). Proses tokenizing dapat dilakukan pada body message, header message, kode-kode HTML, dan gambar. Tokenizing pada body message dilakukan dengan mendeteksi spasi kata dan kemunculan suatu kata yang sering digunakan dan terdapat dalam mail. Proses tokenizing adalah proses membuat daftar karakteristik kata-kata spam dan non-spam mail. Tokenizing pada header message dapat dilakukan dengan menghitung jumlah penerima message pada recipient (to/Cc) header. Sedangkan tokenizing pada kode HTML dapat dilakukan pada kode font, tabel, atau background.

Proses scoring merupakan proses pemberian score terhadap kemunculan kata dalam good mail maupun spam mail. Data dalam tabel token berisi kumpulan token, frekuensi kemunculan token dalam Inbox maupun Junk E-mail, dan score yang diperoleh dari frekuensi kemunculan token. Sedangkan combining ini digunakan untuk mendapatkan 15 token yang mempunyai nilai terjauh dari 0.5, kemudian dilakukan perhitungan dengan menggunakan metode Naive Bayesian dan menghasilkan threshold value, kemudian nilai dari threshold value dibandingkan dengan spam threshold yang dijadikan sebagai patokan akhir dalam menentukan mail.

Setelah mail yang diterima dipisahkan menjadi beberapa token, maka setiap token akan diberi nilai atau disebut juga dengan metode scoring. Metode ini memberikan nilai (score) pada setiap token yang telah diproses dengan metode tokenizing dengan menggunakan Persamaan 2. Kemudian dilakukan proses training secara manual oleh user yang akan menentukan mail tersebut adalah spam mail atau

286


Add to Spam

Add to Good

Flowchart sistem secara keseluruhan setelah adanya data dalam tabel token atau setelah terjadi proses training dapat dilihat pada Gambar 5. Mail diterima oleh Microsoft Office Outlook 2007, kemudian jika terdapat e-mail yang masuk akan secara otomatis dilakukan sweep spam (membersihkan spam mail yang ada pada Inbox secara otomatis), lalu terjadi proses tokenizing atau mail yang masuk dilakukan pemisahan berdasarkan spasi kata dan kata yang sering muncul dalam mail body dan terdapat dalam tabel token. Apabila kata dalam mail body tidak terdapat pada tabel token, maka e-mail langsung dikategorikan sebagai good mail, akan tetapi jika mail yang masuk dan kata dalam token terdapat dalam tabel token, maka dilakukan proses scoring terhadap kata dalam token tersebut, kemudian menuju ke proses combining yaitu setiap kata dalam token yang terdeteksi tersebut diambil 15 kata yang mempunyai score tertinggi dari 0.5, kemudian dilakukan perhitungan Naive Bayesian. Apabila hasil perhitungan Naive Bayesian menghasilkan nilai kurang dari spam threshold, maka mail dikategorikan sebagai good mail. Apabila hasil perhitungan Naive Bayesian menghasilkan nilai lebih dari spam threshold, maka mail akan dikategorikan sebagai spam mail. Kemudian muncul pesan bahwa mail akan dipindah ke folder spam atau dibiarkan berada di folder inbox, jika user menekan button “Yes” maka mail akan berpindah ke folder spam, jika tidak maka mail akan tetap berada di folder Inbox

Analysis

Lihat Pembuat

Rebuild User Update

Ubah Spam Level

Pindah Letak Folder Spam

Lihat Tokens

Pindah Letak Folder Good

Gambar 4 Use Case Diagram User Gambar 4 menjelaskan bagian yang dapat dilakukan oleh seorang user. Add to Spam digunakan untuk memindahkan e-mail ke dalam folder spam. Add to Good digunakan untuk memindahkan e-mail ke dalam folder good. Analysis digunakan untuk melihat dasar suatu e-mail dapat dikategorikan sebagai spam atau good mail. Rebuild digunakan untuk menghapus data dalam tabel token, kemudian menggantinya dengan data yang baru. Update digunakan untuk meng-update frekuensi kemunculan suatu token. Lihat Token digunakan untuk melihat isi dari tabel token (data pembanding). Pilih Letak Folder Good digunakan untuk merubah letak inbox. Pilih Letak Folder Junk digunakan untuk merubah letak junk. Ubah letak spam level digunakan untuk merubah level dari spam yang biasa diset pada nilai 50%. Lihat Pembuat digunakan untuk melihat identitas pembuat program.

S ta r t S ta rt

T e r d a p a t E - m a il M asuk

T e r d a p a t E - m a il m a suk

.

A m b il d a t a d a la m m a il body

S w e ep S pa m

T o k e n iz in g

Tabel Token

T a bel to k e n

T id a k

Y a

T r a in in g M a il

S c o r in g

Ya T id a k

P e n d e t e k s ia n Token

C o m b in in g

T h r e s h o ld v a lu e

Y a

S p am

> S pam le v e l

m a il

P e m b e r ia n S c o r e t ia p t o k e n T id a k

S o r t in g d a n S im p a n d a t a

G o o d m a il

E nd

End

Gambar 6 Flowchart Sistem Training

Gambar 5 Flowchart Program Utama

287


PGood didapat dari proses perhitungan berapa banyak token tersebut yang terdapat di dalam good mail. Kemudian ditambahkan dan dibagi dengan berapa banyak good mail yang ada.

Perancangan pada sistem training dilakukan pada saat program diinstalasi. Proses training dilakukan karena belum adanya token yang tersimpan pada program yang dibuat. Proses training dilakukan saat program tersebut baru pertama kali digunakan oleh user adalah untuk penyimpanan token baru yang digunakan untuk pengkategorian mail. Proses ini dilakukan pada saat user menekan button “Add to Spam” atau saat user menekan button “Add to Good”. Sistem training dapat dilihat pada Gambar 6.

S ta rt

P ro s e s T o k e n iz in g

M e lih a t d a ta

Cara memasukkan data ke dalam tabel token dilakukan dengan cara menekan button “Add to Spam” atau “Add to Good”. Pada saat user menekan button “Add to Spam” dilakukan proses tokenizing dan scoring, bahwa mail yang ditambahkan ke folder spam tersebut dikategorikan sebagai e-mail spam, terjadi penambahan token dan score di dalam tabel token. Sedangkan pada saat user menekan button “Add to Good” dilakukan proses tokenizing dan scoring, bahwa mail yang ditambahkan ke folder good tersebut dikategorikan sebagai good mail, terjadi penambahan token dan score di dalam tabel token.

Tabel to k e n

T id a k

E - m a il G o o d

Ya S c o re (% )= 0 .5 + (P s p a m -P g o o d )/ 2 (P s p a m + P g o o d + 1 )

End

Gambar 7 Flowchart Sistem Scoring Sistem scoring dapat dilihat pada Gambar 7. Proses scoring yang didapatkan dari jumlah token yang ada di frekuensi spam maupun jumlah token yang ada di frekuensi good. Kemudian dengan menggunakan Persamaan (2), dilakukan perhitungan untuk menentukan score pada setiap token yang terdapat dalam tabel token yang nantinya akan digunakan dalam proses combining.

9.1 Perancangan Sistem Tokenizing Perancangan pada sistem tokenizing dilakukan pada mail body. Tokenizing pada mail body dilakukan dengan mendeteksi spasi kata dan karakter suatu kata yang sering muncul dalam mail body. Untuk mengawali dan mengakhiri suatu karakter dengan menggunakan operasi “^ dan $”. Sebagai operasi penambahan suatu huruf atau kata dengan menggunakan “+, *, ?”. Operasi penggabungan menggunakan “|”. Mengelompokkan huruf, kata, atau angka, dengan menggunakan “{},(),[]”..

9.3 Perancangan Sistem Combining Setelah melakukan proses tokenizing dan scoring, kemudian dengan menggunakan metode Naive Bayesian, dilakukan proses combining. Proses ini mengambil 15 token yang memiliki nilai terjauh dari nilai netral (0.5) di dalam satu mail. Setelah mendapatkan 15 token tersebut, maka dijalankan proses perhitungan dengan algoritma Naive Bayesian dan akan mendapatkan suatu nilai (threshold value). Hasil threshold value kemudian dibandingkan dengan nilai dari spam threshold, yang nilainya dapat disesuaikan antara 0% sampai 100%. Spam threshold biasanya diset pada nilai minimal 50% agar keakuratan dalam filtrasi mail mendapatkan hasil yang optimal. Nilai dari 50% diperoleh dari data pada penelitian sebelumnya, karena 50% merupakan nilai netral [6]. Jika suatu token, frekuensi kemunculannya sama dalam folder good maupun junk, kemudian dihitung menggunakan Persamaan 2 nilai netral akan berada pada nilai 50%. Hasil dari proses perhitungan inilah yang akan mengkategorikan apakah mail tersebut adalah suatu spam mail atau merupakan suatu good mail. Hasil dari proses perhitungan ini akan

9.2 Perancangan Sistem Scoring Proses scoring merupakan kelanjutan dari proses tokenizing. Setelah mail yang diterima dipisahkan menjadi beberapa token, maka setiap token akan diberi nilai atau disebut juga dengan metode scoring. Proses ini memberikan nilai (score) pada setiap token yang telah diproses dengan proses tokenizing. Selanjutnya dilakukan proses training secara manual oleh user yang akan menentukan mail tersebut adalah merupakan spam mail atau good mail. Score yang diberikan yaitu 0.99 untuk spam mail murni dan 0.01 untuk good mail murni. Apabila token terdapat pada spam mail, juga terdapat pada good mail, maka akan dilakukan proses perhitungan (scoring) seperti pada Persamaan 2. Sedangkan

288


dibandingkan dengan nilai dari spam threshold yang terdapat di dalam program. Nilai dari spam threshold ini dapat ditentukan sendiri oleh user. S ta rt

P r o s e s S c o r in g

M e lih a t D a t a

M e n g a m b il 1 5 t o k e n y a n g m e m p u n y a i n il a i t e r ja u h d a r i 0 . 5

T h r e s h o l d v a lu e ( % ) = P s p a m /(P s p a m + P g o o d )

Gambar 9 Tabel Token T h r e s h o ld v a lu e

Ya

> Spam le v e l

S p a m m a il

Proses penyimpanan ke dalam tabel dilakukan dengan pencarian token terlebih dahulu, kemudian jika belum terdapat token, maka token baru ditambahkan. Jika sudah terdapat token, maka ditambahkan sesuai kemunculan token, di folder inbox atau folder spam. Proses yang dilakukan kemudian dengan mengurutkan token terlebih dahulu, baru disimpan ke dalam tabel.

T id a k

G o o d m a il

9.5 Perancangan Spam Threshold

End

Gambar 8 Flowchart Sistem Combining

Pada aplikasi ini user dapat menentukan seberapa besar nilai spam threshold dari e-mail yang akan diterima. Gambar 11 merupakan tampilan dari spam threshold, spam threshold dibuat menggunakan trackbar, yang digunakan sebagai pembanding dengan nilai yang diperoleh dari persamaan Naive Bayesian, nilainya dapat diubah-ubah dari angka satu sampai 100%, akan tetapi spam threshold ini diset pada nilai 50%. Agar program berjalan dengan baik dalam pengkategorian mail.

Proses combining didapatkan dari proses tokenizing dan scoring seperti terlihat pada Gambar 8. Jadi setiap token terdeteksi dalam mail body dan terdapat dalam tabel token diurutkan score-nya, kemudian diambil 15 token yang mempunyai nilai terjauh dari 0.5 yang dipakai dalam proses persentase untuk menghasilkan threshold value, kemudian nilai dari threshold value dibandingkan dengan level spam atau spam threshold yang digunakan untuk mengkategorikan mail sebagai good mail maupun spam mail. 9.4 Perancangan Tabel Token Perancangan pembuatan tabel token berupa suatu textfile dengan ekstensi *.bsw. Dalam file tersebut akan berisi data-data dari beberapa jumlah mail yang dikategorikan ke dalam good mail dan juga dari beberapa jumlah kata yang dikategorikan sebagai spam mail. Dalam tabel yang disimpan tersebut terdapat kata-kata token. dan setiap token memiliki tiga field yaitu field dari good frekuensi, field dari spam frekuensi, dan score setiap kata token.

Gambar 10 Spam Threshold 10. Kesimpulan Berdasarkan hasil pembuatan program anti spam pada e-mail client dengan menggunakan metode Naive Bayesian, dapat disimpulkan bahwa cara yang digunakan untuk mengkategorikan e-mail

289


sebagai spam adalah dengan melihat threshold value setiap e-mail yang masuk, kemudian dibandingkan dengan spam level yang biasa di-set pada nilai 50%. Jika threshold value nilainya lebih besar dari spam level, maka e-mail dikategorikan sebagai e-mail spam. Sebaliknya, jika threshold value nilainya kurang dari spam level, maka e-mail dikategorikan sebagai e-mail good. Berdasarkan pengujian yang dilakukan dari 150 e-mail yang masuk. Anti spam mempunyai persentase keberhasilan sebesar 96.67%. Daftar Pustaka: [1]. Rachli, 2009, TARacli, http://www.cert.or.id/~budi/courses/security/20 06-2007/Report-Muhamad-Rachli.doc, Diakses pada tanggal 28 Juli 2010. [2]. Raharjo, 2006, Spam, http://www.cert.or.id/~budi/presentation/SPAM -present.ppt, Diakses pada tanggal 26 Juli 2010. [3]. Pratiwi, 2009, Laporan Proyek Akhir, http://www.cert.or.id/~budi/courses/ec5010/pr ojects/yani-report.doc, Diakses pada tanggal 28 Juli 2010. [4]. Purbo, Onno W, 2001, TCP/IP Standar, Desain, dan Implementasi, Jakarta: Elex Media Komputindo. [5]. Jsmith, 2003, The Real E-mail System, http://forum.persiannetworks.com/f100/t30928. html, Diakses pada tanggal 27 Juli 2010. [6]. Graham, Paul, 2003, Stopping Spam, http://www.paulgraham.com, Diakses pada tanggal 12 Januari 2011.

290

PEMBANGUNAN SPAM FILTERING SYSTEM DENGAN METODE NAIVE BAYESIAN

Recommend Documents