TUGAS KEAMANAN JARINGAN KOMPUTER

DISUSUN OLEH

ANDRI SANTOSO
08053111006
TEKNIK INFORMATIKA

FAKULTAS ILMU KOMPUTER

UNIVERSITAS SRIWIJAYA
2008

CARA MENGURANGI SPAM

PENDAHULUAN

Perkembangan

teknologi

sekarang

berkembang

secara

pesat.

Khususnya di bidang internet, karena informasi dapat menciptakan dunia baru,

membawa beragam dinamika dari dunia nyata. Seiring dengan perkembangan
teknologi banyak bentuk bentuk penyerangan terhadap sebuah situs web site,
baik itu dilakukan oleh hacker, crakcker, ataupun virus. Dengan makin banyaknya
virus, kenyamanan saat berinternet-an pun ikut berkurang. Salah satu fasilitas
internet yang sering kita gunakan adalah e-mail.Akhir-akhir ini e-mail merupakan
hal yang sangat penting bagi kita,manfaatnya sering kita rasakan. Kita dapat
menerima informasi atau bertukar pesan dengan cepat dan mudah. Karena
fasilitas ini mengharuskan kita terhubung ke internet (sebagian besar
penggunaan e-mail terhubung ke internet kecuali dalam jaringan LAN/intranet)
membuat resiko terserang virus semakin tinggi.
Tahun 2008, virus bukan makin berkurang, tetapi malah semakin
kejam. Saat ini, virus asal Indonesia jauh lebih populer ketimbang virus impor.
Virusindonesia.com juga telah merilis virus-virus asal Indonesia yang populer
sepanjang Januari 2008 lalu.
Email ternyata memegang peranan yang cukup besar untuk
penyebaran virus di internet. Sejumlah virus, trojan, spyware dan varianvariannya dapat terus merangsek masuk melalui berbagai situs maupun email,
dengan subject yang menarik. Biasanya, komputer yang sudah terserang satu
virus, ikut menyebarluaskannya dengan mengirimkan email lain berisi virus ke
listing email yang lainya. Dunia maya tidak lepas dari kutu digital / pests

program. Bila Virus yang mengacaukan sistem computer sudah bermutasi menjadi
alat penyerang sudah menjadi hal biasa.
Dengan antivirus yang terpasang tidak menjanjikan sebuah computer
aman dari virus. AntiVirus umumnya hanya ditujukan bagi virus penganggu dan
sifatnya non-komersil. Virus umumnya dapat dibedakan dengan Malware memiliki
sifat komersil. Tetapi apa artinya bila perbedaan hanyalah sebagai sebuah nama.
Tetapi fungsinya tetap sama, yaitu menganggu computer bekerja dan merugikan
pemakai computer.
Salah satu bentuk varian virus atau malware tersebut adalah spam
yang akan saya bahas. SPAM yang berarti e-mail sampah atau email yang tidak
kita butuhkan.,merupakan kata yang sering didengar.Kata SPAM konon berasal
dari zaman viking dan tak ada sangkut pautnya dalam email (surat elektronik)
yang biasa kita gunakan.Sebenarnya email yang dianggap SPAM itu tergantung
dari sudut pandang masing-masing (sudut pandang subyektif secara individu)
.Contoh misalnya,Alex yang seorang perancang busana mendapatkan email yang

berisi penawaran produk mode meskipun dia tidak menginginkannya tetapi dia
tidak menganggap hal itu sebagai SPAM tetapi lain halnya jika yang menerimanya
adalah Yusuf seorang tenaga IT diasmping dia tidak menginginkannya dia juga
akan meras terganggu dengan penawaran tersebut karena tidak berhubungan
sama sekali dengan dunia yang ia geluti (IT). Dampak buruk yang nyata atau
langsung dapat dirasakan dari pengguna email dari SPAM ini adalah waktu yang
terbuang sia-sia. Saat mengecek email yang ada pada inbox umumya pengguna
email memilah mana email yang benar-benar email (penting) mana yang
SPAM,tentu saja pengguna akan langsung menghapus SPAM saat menemukannya
hal ini akan menghabiskan waktu terkadang tak jarang email yang penting pun
turut ikut terhapus,hal ini tentu saja sangat merugikan. Bagi orang-orang yang
tidak dapat leluasa koneksi ke internet,bandwidth yang dibatasi oleh quota,juga

quota pada inbox email akan sangat merugikan jika terkena dari SPAM ini. SPAM
juga dapat memborbardir mailing list dengan membuat copy-an suatu artikel yang
sama . Di lain pihak, spam adalah sebuah masalah yang multidimensional. Sebagai
masalah teknis, spammer menyalahgunakan atau menghabiskan resource jaringan.
Komunitas milis Spam Brigade menjuluki spam sebagai the biggest waste of
bandwidth on the Internet and Usenet. Spam bisa memenuhi mailbox,
mengakibatkan mailserver sibuk, dan memperlambat layanan lainnya. Sebagai
masalah

bisnis,

kegiatan

spammer

perlu

dilawan

karena

banyak

yang

mempraktikkan penipuan. Dan terakhir, seperti ditekankan oleh narasumber P. Y.

Adi Prasaja, spam juga sebuah masalah sosial: tindakan sebagian orang yang
seenaknya menyalahgunakan sebuah fasilitas publik seperti Internet. Padahal
agar fasilitas berjalan lancar diperlukan kerjasama dan sikap saling menjaga dari
semua penggunanya. Karena fasilitas e-mail yang murah dan kemudahan untuk
mengirimkan ke berapapun jumlah penerima, maka spam mail menjadi semakin
merajalela. Pada survey yang dilakukan oleh Cranor & La Macchia (1998),
ditemukan bahwa 10% dari mail yang diterima oleh suatu perusahaan adalah

spam-mail atau spammer.

LANDASAN TEORI
Karena banyak dampak yang dapat ditimbulkan dari SPAM ini penulis
membahas metode mengurangi SPAM. Sebenarnya kecil kemungkinannya email
atau mail server terhindar dari SPAM karena sampai sekarangpun tidak ada
satupun cara untuk menghilangkan SPAM. Metode yang ada hanya untuk
mengurangi SPAM yang masuk dengan cara mem-filter (menyaring) . Salah satu
metode pencegahan anti spam atau biasa di sebut dengan SPAM FILTERING.
Filtering merupakan penyelesaian utama yang dianggap cukup
efektif dari segi teknis. Filtering pada intinya bertujuan membantu penerima
email untuk menyaring ( memilih) secara otomatis mana email yang benar dan
mana spam, sehingga menghemat waktu dan tenaga. Sejak maraknya spam, telah
berkembang banyak solusi pemfilteran. Dari yang sederhana hingga menggunakan
algoritma

kompleks.

Dari

yang

bersifat

personal

hingga

kolaboratif

(masal/bersama-sama). Dari yang gratis sampai jasa komersial oleh pihak ketiga.

Saat ini teknologi filtering sudah cukup memuaskan. Solusi

seperti

SpamAssassin

misalnya

yang

menjadi

favorit

banyak

sysadmin/usermenggunakan berbagai cara untuk mengidentifikasi spam.

Mulai dari deteksi header, pencarian kata-kata yang umum ada di spam,
hingga integrasi dengan sistem pemfilteran lain. Sementara tokoh seperti
Paul Graham (salah seorang manajer teknis Yahoo!) murni mengandalkan
analisis konten sebab menurutnya, Inti dari spam adalah pesannya. Jadi
yang harus kita usahakan adalah mengenali spam dari pesannya. Dan
pendekatan statistik yang telah diimplementasikan oleh Paul pun memberi
hasil yang menggembirakan. Kualitas filter ditentukan dari rendahnya
false positive (pesan biasa salah terdeteksi sebagai spam) dan tingginya

true positive. Dengan filter-filter yang ada sekarang, telah dimungkinkan

mencapai akurasi di atas 95% true positive dan false positive mendekati
0%. Bahkan banyak filter pun telah memiliki kemampuan untuk melakukan
autoreporting. Manakala spam ditemukan, langsung dilaporkan atau
ditambahkan ke dalam database untuk membantu proses penanganan spam
lainnya.

PEMBAHASAN

Pada Landasan teori penulis sudah membahas salah satu

cara untuk mengurangi SPAM,bukan menghilangkannya karena pada
pendahuluan penulis sudah menjelaskan bahwa tidak ada satupun cara
yang benar-benar dapat mengatasi SPAM. Jadi penulis akan membahas
satu persatu cara untuk mengurangi SPAM karena dampaknya yang
ditimbulkan merugikan. Dari segi teknis untuk mengurangi SPAM, yaitu
filtering
Telah terdapat beberapa metode filtering yang dapat digunakan untuk
mencegah spam diantaranya :

a. Keyword filtering
Metode ini merupakan Application Layer Filtering (ALF). Dengan
metode ini, spam di-blok berdasarkan kata-kata tertentu yang sering
dituliskan pada spam-mail misalnya : viagra,porno.

b. Signature Based Filtering

Metode ini akan membandingkan e-mail yang datang dengan spam-mail
yang telah diketahui. Hal ini dilakukan dengan membuat beberapa alamat
e-mail palsu. Spam-mail yang biasanya dikirim ke beratus-ratus alamat email juga akan dikirim ke alamat-alamat palsu ini. Sehingga dengan
membuat list alamat-alamat mana saja yang mengirim mail ke alamat palsu
ini, spam mail dapat diblok. Salah satu cara untuk menunjukkan bahwa dua
buah e-mail sama dilakukan dengan memberikan signature pada setiap email. Metode untuk memberikan signature antara lain dengan memberikan
angka untuk setiap huruf, lalu semua angka tersebut dijumlahkan.
Sehingga setiap e-mail akan memiliki signature yang berbeda. Dalam hal

ini, dua e-mail yang memiliki signature yang sama, dan dikirim ke beberapa
alamat dapat dikategorikan sebagai spam-mail. Cara inilah yang diterapkan
pada signature-based filtering. Tetapi metode filter ini sangat mudah
dikalahkan oleh spammers. Cukup dengan menambahkan sembarang
karakter yang berbeda pada setiap copy spam-mail, akan membuat copy

spam-mail itu memiliki signature yang berbeda. Sehingga metode ini tidak
terlalu efektif untuk mem-filter spam.

c. Bayesian (Statistical) Filtering

Metode Bayesian Filtering merupakan metode anti spam filter yang
terbaru. Metode ini mengenali spam berdasarkan kata-kata (token) yang
terkandung pada sebuah e-mail. Metode filter ini pertama kali perlu
di-training menggunakan dua koleksi e-mail, satu koleksi merupakan
spam-mail, dan koleksi yang lain merupakan legitimate mail. Dengan cara
seperti ini, pada setiap e-mail baru yang diterima, Bayesian filter dapat
memperkirakan probabilitas spam berdasarkan kata-kata yang sering
muncul di koleksi spam-mail atau di koleksi legitimate mail. Bayesian filter
efektif untuk mem-blok spam karena filter ini dapat secara otomatis
mengkategorikan spam-mail atau legitimate mail.

Kelemahan dari Bayesian chain rule ini adalah tiap kata

diasumsikan terpisah dan tidak tergantung satu sama lain. Padahal
dalam menganalisis suatu teks, setiap kata saling berhubungan satu
dengan yang lain. Kelemahan ini diatasi oleh algoritma probabilitas chisquared yang dikembangkan pada proyek SpamBayes (akan dibahas
berikut ini).
Pengembangan Algoritma Bayesian
Salah satu pengembangan algoritma Bayesian filter adalah proyek
SpamBayes yang ditujukan untuk melakukan pembaharuan dari algoritma

Bayesian filter yang pertama kali dikembangkan oleh Paul Graham. Proyek
SpamBayes ini dimotori oleh Gary Robinson dan Tim Peters. Secara prinsip
proyek SpamBayes ini sama dengan algoritma Bayesian dari Paul Graham.
Kelebihannya adalah SpamBayes dapat mengkategorikan mail menjadi spam-

mail, non-spam mail (ham), dan unsure-mail. Unsure-mail dapat dikatakan

sebagai pesan yang tidak dapat dikategorikan secara rating menjadi spam
mail ataukah ham mail. Pengkategorian seperti ini juga dilakukan dengan cara
yang sama yaitu dengan memberikan algoritma belajar pada SpamBayes
berdasarkan beberapa e-mail yang dikategorikan sebagai spam mail atau ham
mail.
Arsitektur dari system SpamBayes memiliki beberapa bagian yang berbeda
dengan algoritma Bayesian dari Paul Graham, Diantaranya :
a. Tokenizing
Tokenizer akan membaca mail dan memecah-mecahnya menjadi
beberapa kata (token). Proses tokenizing ini dapat dilakukan pada body
message, header message, kode-kode HTML, dan gambar. Tetapi karena
proyek ini mengambil contoh spam dan ham mail dari sumber-sumber yang
berbeda, maka tokenizing pada proyek SpamBayes hanya dilakukan pada body
message. Tokenizing pada body message dilakukan dengan mendeteksi spasi
(white space) antar kata. Tentunya dengan melakukan tokenizing pada body
dan header message , karakterisasi spam atau ham mail dapat dilakukan
dengan lebih baik. Tokenizing pada header message dapat dilakukan dengan
menghitung jumah penerima message pada recipient (to/Cc) header.
Sedangkan tokenizing pada kode HTML dapat dilakukan pada kode font,
table,

atau

background.

Tokenizing

juga

dapat

dilakukan

untuk

menunjukkan bahwa message tanpa header subject, tanpa from address, akan
dikategorikan sebagai spam-mail.

b. Combining dan Scoring

Bagian selanjutnya dari sistem SpamBayes ini adalah scoring dan combining.
Bagian inilah yang membedakan sistem SpamBayes dengan algoritma awal
Bayesian dari Paul Graham.
Algoritma Paul Graham :
Algoritma Bayesian dari Paul Graham hanya memberikan nilai (score)
pada mail yaitu 1 untuk spam murni dan 0 untuk ham murni, sementara nilai di
antara itu tidak dikategorikan sebagai unsure. Semua mail hanya akan
dikategorikan sebagai spam atau ham, dan hal ini dapat menimbulkan
kesalahan pengkategorian. Gambar di bawah ini menunjukkan masalah yang
ada pada Algoritma Paul Graham :

Gambar 1. Plot scoring message menggunakan pendekatan Paul Graham

Pada gambar di atas, sumbu X menunjukkan nilai dari message

dengan skala dari 0-100, (dengan 0 adalah ham murni dan 100 adalah spam
murni. Sumbu Y menunjukkan jumlah message (dalam skala logaritmik). Dari
gambar di atas terlihat bahwa sebagian besar spam memperoleh nilai di
sekitar 100 dan sebagian besar ham memperoleh nilai di sekitar 0. Namun
dapat dilihat juga bahwa terdapat cukup banyak jumlah ham yang

memperoleh nilai di sekitar 100 dan terdapat pula cukup banyak jumlah
spam yang memperoleh nilai di sekitar 0. Hal ini berarti telah terjadi
kesalahan

pengkategorian

message.

Sementara

teknik

scoring

yang

dilakukan oleh Gary Robinson menghasilkan plot seperti di bawah ini :

Gambar 2. Plot scoring message menggunakan pendekatan Gary Robinson

Teknik ini memberikan hasil yang berbeda. Dari gambar terlihat

bahwa terdapat nilai yang overlap antara nilai ham dan nilai spam. Hal ini
dapat diatasi dengan memberikan suatu nilai cut-off tertentu, misalnya a,
dengan nilai di atas a berarti spam, dan nilai di bawah a berarti ham.
Dibandingkan dengan algoritma Paul Graham yang menunjukkan banyak
spam-mail yang bernilai di sekitar nilai ham murni dan sebaliknya, maka
teknik Gary Robinson ini telah mampu mengatasi hal tersebut. Tidak ada
spam mail yang memiliki nilai di sekitar ham murni.
Gary Robinson menggunakan Teorema Central Limit untuk membuat
plot di atas. Teorema ini menghasilkan dua nilai internal, satu untuk spam
dan satu untuk ham, serta dapat memberikan respon ragu-ragu jika nilai
ham dan nilai spam keduanya terlalu tinggi atau terlalu rendah. Hal ini tidak
dapat dilakukan pada algoritma Paul Graham.

Pendekatan dengan teorema Central Limit ini kemudian

diperbaharui kembali oleh Gary Robinson dengan menggunakan teorema
probabilitas chi-squared. Teorema Chi-squared serupa dengan teorema
central limit, kelebihan dari teorema Chi-squared ini adalah tidak adanya
masalah

training

seperti

pada

teorema

central

limit

dan

hasil

pengkategorian yang diperoleh semakin baik.

Teorema Chi-squared menghasilkan dua nilai, probabilitas ham (*H*)
dan probabilitas spam (*S*). Spam mail akan memiliki nilai *S* yang tinggi
dan nilai *H* yang rendah. Pada suatu kondisi suatu mail memiliki nilai *S*
dan nilai *H* yang keduanya tinggi atau keduanya rendah, maka probabilitas
yang dihasilkan adalah sekitar 0.5 yang artinya mail tersebut tidak
termasuk spam dan juga tidak termasuk ham. Kondisi inilah yang dinamakan
unsure pada sistem Spambayes. Gambar di bawah ini menunjukkan hasil
yang diperoleh berdasarkan teorema Chi-squared :

Gambar 3. Plot scoring message menggunakan teorema Chi Squared

Seperti

terlihat

bahwa

pada

akhir

proses,

terdapat

tiga

kemungkinan hasil yang berbeda yaitu Spam, Ham atau Unsure. Telah

dibahas sebelumnya bahwa dengan sistem SpamBayes, message yang sulit

untuk dikategorikan sebagai spam atau ham akan dikategorikan sebagai
unsure. Misalkan e-mail komersial dari suatu perusahaan yang melakukan
bisnis dengan perusahaan kita, pada kali pertama dapat dianggap sebagai
unsure mail karena spam-mail dan mail komersial menggunakan bahasa
yang hampir sama. Sedangkan pada algoritma Bayesian Paul Graham, mail
seperti ini akan tetap dikategorikan sebagai spam atau ham mail, sehingga
dapat menghasilkan false positive atau false negative. Dengan melakukan
training tertentu berdasarkan address perusahaan pengirim atau produk
yang ditawarkan, unsure mail selanjutnya dapat dikategorikan sebagai
spam atau ham.

d. Rule-based (heuristic) filtering

Filter ini mem-blok spam-mail dengan mencari pola karakteristik
tertentu yang mengindikasikan spam contohnya : kata-kata kotor, kata
dengan banyak huruf besar atau banyak tanda seru, atau tanggal
pengiriman yang tidak tepat. Kekurangan dari metode ini adalah rule
(aturan ) yang digunakan bersifat statis, sehingga jika spammers
menggunakan pola baru untuk mengirim spam-mail, aturan yang baru harus
diberikan pada filter. Sedangkan pada Bayesian filter, kita cukup
memberitahu filter bahwa pengklasifikasian e-mail yang dilakukannya
salah, maka Bayesian filter akan secara otomatis mempelajari pola yang
terdapat pada e-mail tersebut.

e. Challenge-response filtering
Jika kita memperoleh e-mail pertama kalinya dari seseorang, maka

challenge-response filter akan mengirim e-mail kembali ke alamat

pengirim tersebut dan memerintahkannya untuk meng-akses alamat web
tertentu dan mengisi suatu form sebelum e-mail yang ia kirim dapat kita
terima. Dengan cara seperti ini, kita dapat mem-filter spam dengan
akurat. Karena hanya pengirim yang benar-benar berkepentingan dengan
kita yang akan melaksanakan prosedur tersebut. Tetapi metode ini dapat
dikatakan kasar, karena membuat orang lain melakukan pekerjaan ekstra
untuk mengirim e-mail kepada kita. Selain itu kekurangan metode ini
adalah legitimate e-mail dapat hilang atau terlambat sampai, karena
pengirimnya tidak mengetahui bahwa ia harus melakukan suatu prosedur
dari challenge-response filter agar e-mailnya dapat diterima. Kekurangan
yang lain adalah karena filter ini hanya menyeleksi e-mail berdasarkan
alamat pengirimnya, maka spammers yang melakukan spoofing akan mampu
menaklukkan filter ini. Sehingga filter ini tidak terlalu efektif untuk
mem-blok

spam-mail.

Cara

yang

dapat

dilakukan

adalah

dengan

mengkombinasikan filter ini dengan Bayesian filter, yaitu e-mail yang

dikategorikan sebagai spam oleh Bayesian filter, di-challenge kembali oleh
challenge-response filter ini. Dengan cara seperti ini, keakuratan
Bayesian filter akan bertambah, dan challenge-response filter juga dapat
digunakan dengan efektif.

Dari penjelasan di atas, dapat disimpulkan bahwa pada metode

filtering banyak cara dapat dilakukan.

Cara lain dari segi teknis yang dapat dilakukan adalah Blocking.Karena
metode filtering tidak akan mengatasi (menyelesaikan) SPAM,filtering
hanya akan membantu meringankan masalah yang ada. Di lain hal filtering
juga dapat mendatangkan SPAM-SPAM baru. Hal ini bisa terjadi karena
pihak penjual SPAM filtering komersial dengan sengaja memasukkan nama
clien nya sebagai daftar daftar SPAM. Maka pihak pengelola server
(client) yang tidak ingin terganggu oleh SPAM terpaksa membeli filtering
dari pihak komersial.
Filtering dapat memilah email yang benar dengan SPAM tapi filtering
tidak mampu mencegah masuknya SPAM ke dalam jaringan. Untuk itu
dibutuhkan suatu cara untuk mem-block SPAM yang biasa disebut
Realtime Black Hole. Cara ini untuk mementahkan SPAM yang akan masuk
kedalam jaringan,SPAM-SPAM tersebut datang dari pihak (mesin) lain.
Daftar mesin-mesin yang mengirimkan SPAM ini akan terus di UP DATE
oleh suatu organisasi,daftar ini dapat dimanfaatkan untuk menolak email
atau apapun bentuknya yang datang dari mesin yang terdaftar sebagai
pengirim SPAM.
Ada beberapa cara untuk melakukan blocking antara lain :
-

Address blocking
Metode ini memblok spam-mail berdasarkan IP atau domain atau alamat email tertentu yang telah dikategorikan sebagai alamat spammer.

Black listing
Metode ini hampir sama dengan address blocking, yaitu mem-blok spam
berdasarkan list alamat spammers yang telah diketahui. Biasanya black
listing ini dikerjakan oleh beberapa sukarelawan dan dibuat dalam bentuk
database spam-mail, sehingga dapat digunakan oleh semua orang. Salah
satu black listing yang dapat diakses adalah Open Relay Data Base,
ORDB.org.

White Listing

Kebalikan dengan Black listing, white listing berisi daftar alamat yang
dikategorikan sebagai pengirim e-mail yang sah (legitimate mail). Alamat
pengirim mail yang tidak termasuk dalam daftar ini akan diasumsikan sebagai
spam-mail.

KESIMPULAN
Berdasarkan

pembahasan

yang

telah

dilakukan

dapat

diambil

kesimpulan bahwa :
-

SPAM merupakan email sampah

Email dianggap sampah ini tergantung dari sudut pandang individu

masing-masing
-

Dianggap SPAm jika didalam email tersebut terdapat virus atau

malware
-

Tidak ada satupun cara untuk benar-benar menghilangkan SPAM,yang

ada hanya mengurangi masuknya SPAM

Cara-cara agar email atau mail serevr terhindar dari SPAM :

Jangan merespon mail SPAM (yang berupa penawaran produkproduk tertentu yang sangat banyak jumlahnya)

Jangan me-reply dengan istilah remove karena email anda akan

tercatat sebagai email yang aktif.Kemungkinannya besar anda
akan terus dikirimi SPAM

Jangan mengakses site-site yang direkomen oleh SPAM.

Dari segi filtering dapat diambil kesimpulan bahwa teknik filtering

yang dianggap ampuh, adalah algoritma bayesian. perbandingan
performansi dari masing-masing metode anti spam filter
berikut :

sebagai

. Perbandingan performansi metode-metode anti spam filter

Metode

Kelebihan

Kekurangan

Metode
Keywords Filtering

Kelebihan
Mudah, karena

Kekurangan
filter Dapat menimbulkan false

hanya dilatih untuk men- positives

atau

false

scan kata-kata tertentu negatives karena katayang

sering

digunakan kata

pada spam-mail

tertentu

digunakan

dapat

baik

pada

spam-mail maupun hamBlack and White Listing

Signature based filtering

SangaT terutama jika

mail
Filter dapat dikalahkan

diimplementasikan pada

jika spammers memakai

level server
False positives

alamat palsu
dapat Filter dapat dikalahkan

dihindari

dengan menambahkan
sembarang karakter pada
copy spam mail, sehingga
copy spam mail terlihat
seperti memiliki
memblok

signature yang berbeda

spam Mekanismenya

Challenge-response

Dapat

filtering

dengan sangat akurat

menyulitkan

orang

untuk

e-mail

mengirim

pada kita, dapat memRule based filtering

blok legitimate e-mail

Mudah diinstal pada level Rule ini harus di-update
server,

simple

karena terus

menerus

seiring

hanya menggunakan rule dengan

perubahan

tertentu

spam-mail

karakteristik
yang

dilakukan

oleh

spammers
Bayesian filtering (Paul

Memblok spam dengan

Masih

Graham)

efektif karena

kemungkinan

menghitung probabilitas

false positives

Metode SpamBayes

terdapat
terjadinya

dari setiap message

Memiliki
kategori Unsure mail harus diunsure message, untuk training
mengurangi

false untuk

lebih

lanjut
dapat

Software software anti spam biasanya menggunakan kombinasi dari

metode-metode tersebut, sehingga diperoleh performansi anti spam filter yang
optimal.

Daftar Pustaka
http://www.Google.com
www.ilmukomputer.com