IMPLEMENTASI CHATBOT PADA TELEGRAM UNTUK MENDETEKSI SPAM MENGGUNAKAN METODE XGBOOST
DOI:
https://doi.org/10.36595/misi.v8i2.1681Keywords:
Deteksi, XGBoost, CRISP-DM, Spam, Confusion MatrixAbstract
Meningkatnya pemakaian aplikasi Telegram sebagai sarana komunikasi mendorong kebutuhan akan sistem otomatis yang bisa mendeteksi pesan spam secara langsung, karena pesan spam dapat mengganggu kenyamanan pengguna dan bahkan menyebabkan kerugian. Studi ini bertujuan untuk merancang dan menerapkan chatbot di Telegram untuk mengidentifikasi pesan spam dengan metode XGBoost. Proses pengembangan mengikuti langkah-langkah CRISP-DM, yang mencakup business understanding, data preparation, modeling, evaluation, dan deployment. Dataset terbagi menjadi dua bagian, yaitu data pelatihan dan data pengujian, untuk mengukur kinerja model. Model XGBoost dilatih menggunakan data training dan diuji dengan data testing pada tiga skenario pembagian proporsi, yaitu 70% - 30%, 80% - 20%, dan 90% - 10%, guna menghitung tingkat akurasi dalam mengklasifikasikan pesan sebagai spam atau non spam (ham). Hasil penerapan menunjukkan bahwa chatbot mampu mengenali pesan spam dengan baik dan dapat melakukan tindakan seperti memberikan peringatan, menghapus pesan spam, serta memblokir pengirim jika ada pengulangan pesan spam yang sama lebih dari dua kali. Oleh karena itu, sistem ini dapat mempertahankan kenyamanan komunikasi di platform Telegram dengan cara yang otomatis dan fleksibel. Tingkat akurasi tertinggi yang diraih dari semua pengujian adalah 0.9656 atau 96.57%. Rata-rata precision untuk pesan ham dan spam adalah 96% dan 97%, recall masing-masing sebesar 96% dan 97%, serta F1-score masing-masing 96% dan 97%. Matriks kebingungan pada setiap skenario menunjukkan akurasi yaitu 94.86% (70% - 30%), 94.42% (80% - 20%), dan 94.87% (90% - 10%). Kontribusi utama dari studi ini adalah hadirnya sistem chatbot berbasis XGBoost yang terintegrasi dalam aplikasi Telegram, yang dapat mendeteksi dan menangani pesan spam secara langsung. Sistem ini membantu menciptakan suasana komunikasi yang lebih aman, nyaman, dan secara otomatis terhindar dari gangguan spam.
References
F. Agustika, S. Siregar, D. Obara, D. Vipparamarta, and M. Manajemen, “Suatu Kajian Teori,” vol. 9, no. 1, 2023, doi: 10.57249/jbk.
M. A. Machmudi, “Peran Teknologi Informasi dalam Usaha Meraih Kesempatan Masa Depan Organisasi,” 2019.
M. Fajar Bahari, “Analisa Dan Implementasi Keamanan Pesan Chatting Menggunakan Algoritma Challenge Response,” Jurnal Sains Dan Teknologi Informasi, vol. 1, no. 2, 2022, doi: 10.47065/jussi.v1i2.1442.
R. Chandra and D. C. Juan, “Deteksi Pesan Spam pada Forum Daring Menggunakan Metode Naïve Bayes,” vol. 7, no. 2, pp. 369–373, 2022, doi: 10.32493/informatika.v7i2.16411.
kim fai kok, “Truecaller Insights: 20 Negara Teratas yang Terkena Panggilan & SMS Spam pada Tahun 2019,” 3 Desember 2019.
Ariyan Zubaidi and Ramdani, “LAYANAN DAN INFORMASI AKADEMIK BERBASIS BOTTELEGRAM DI PROGRAM STUDI TEKNIK INFORMATIKA UNIVERSITAS MATARAM,” LAYANAN DAN INFORMASI AKADEMIK BERBASIS BOTTELEGRAM DI PROGRAM STUDI TEKNIK INFORMATIKA UNIVERSITAS MATARAM, vol. 1, no. 1, pp. 1–8, 2019.
E. H. Yulianti, O. Soesanto, and Y. Sukmawaty, “Penerapan Metode Extreme Gradient Boosting (XGBOOST) pada Klasifikasi Nasabah Kartu Kredit,” JOMTA Journal of Mathematics: Theory and Applications, vol. 4, no. 1, 2022.
R. Wang, J. Zhang, B. Shan, M. He, and J. Xu, “XGBoost Machine Learning Algorithm for Prediction of Outcome in Aneurysmal Subarachnoid Hemorrhage,” Neuropsychiatric Disease and Treatment, vol. 18, pp. 659–667, 2022, doi: 10.2147/NDT.S349956.
Ni Luh Putu Kintania Marsha D., “Viral Pembobolan M-Banking Akibat Link Phishing: Uang Rp 16,4 Juta Raib ,” 25 Mei 2022.
I. Magdalena, A. Salsabila, D. A. Krianasari, and S. F. Apsarini, “IMPLEMENTASI MODEL PEMBELAJARAN DARING PADA MASA PANDEMI COVID-19 DI KELAS III SDN SINDANGSARI III,” 2021. [Online]. Available: https://ejournal.stitpn.ac.id/index.php/pandawa
A. A. Chandra, V. Nathaniel, F. R. Satura, F. Dharma Adhinata, and P. Studi, “Pengembangan Chatbot Informasi Mahasiswa Berbasis Telegram dengan Metode Natural Language Processing.”
M. Riziq sirfatullah Alfarizi, M. Zidan Al-farish, M. Taufiqurrahman, G. Ardiansah, and M. Elgar, “PENGGUNAAN PYTHON SEBAGAI BAHASA PEMROGRAMAN UNTUK MACHINE LEARNING DAN DEEP LEARNING,” 2023.
M. Reynaldi, S. al Khairi, N. Geraldi Hendarman, and F. I. Nugroho, “Sistem Informasi Berbasis Bot Telegram Sebagai Media Sosialisasi Keselamatan Berkendara,” 2020.
I. Huda, “IMPLEMENTASI NATURAL LANGUAGE PROCESSING (NLP) UNTUK APLIKASI PENCARIAN LOKASI.”
J. Aprian Putra dan and A. Budi, “PENERAPAN NATURAL LANGUAGE PROCESSING DALAM APLIKASI CHATBOT SEBAGAI MEDIA PENCARIAN INFORMASI DENGAN MENGGUNAKAN REACT (STUDI KASUS: INSTITUT BISNIS DAN INFORMATIKA KWIK KIAN GIE)”.
D. Septiani and I. Isabela, “SINTESIA: Jurnal Sistem dan Teknologi Informasi Indonesia ANALISIS TERM FREQUENCY INVERSE DOCUMENT FREQUENCY (TF-IDF) DALAM TEMU KEMBALI INFORMASI PADA DOKUMEN TEKS,” no. Vol. 1 No. 2 (2022): SINTESIA, Oct. 2023.
M. A. Hasanah, S. Soim, and A. S. Handayani, “Implementasi CRISP-DM Model Menggunakan Metode Decision Tree dengan Algoritma CART untuk Prediksi Curah Hujan Berpotensi Banjir,” 2021. [Online]. Available: http://jurnal.polibatam.ac.id/index.php/JAIC
Downloads
Published
How to Cite
Issue
Section
License
Semua tulisan pada jurnal ini menjadi tanggungjawab penuh penulis.