Oleh :
PROGRAM PASCASARJANA
DAFTAR ISI.........................................................................................................................................2
BAB I PENDAHULUAN......................................................................................................................3
A. Latar Belakang...........................................................................................................................3
B. Rumusan Masalah......................................................................................................................4
C. Manfaat dan Tujuan...................................................................................................................5
BAB II PEMBAHASAN.......................................................................................................................6
A. Pengertian spam.........................................................................................................................6
B. Tujuan spam..............................................................................................................................6
C. Contoh spam..............................................................................................................................6
D. Jenis – Jenis Spam....................................................................................................................7
E. Pengaturan Spamming dalam Hukum Pidana di Indonesia........................................................8
F. Cara kerja Spamming...............................................................................................................12
G. Penagulangan SPAM..............................................................................................................12
H. Dampak akibat Spamming.......................................................................................................13
I. Contoh kasus Spamming (Studi Kasus Deteksi spam-postingan akun di Twitter)...................14
1. Spamming di media social...................................................................................................14
2. Survei literatur.....................................................................................................................14
3. Dataset.................................................................................................................................17
4. Conclusion...........................................................................................................................19
BAB III PENUTUP.............................................................................................................................20
A. Kesimpulan..............................................................................................................................20
B. Saran........................................................................................................................................20
DAFTAR PUSTAKA..........................................................................................................................21
BAB I
PENDAHULUAN
A. Latar Belakang
Media sosial adalah salah satu fenomena yang menentukan dalam era teknologi-driven
ini. Platform, seperti Facebook dan Twitter, adalah instrumental dalam memungkinkan
konektivitas global. Sekarang diperkirakan 2,46 miliar pengguna akan terhubung dan pada
tahun 2020 sepertiga dari populasi global akan terhubung. Pengguna platform ini bebas
menghasilkan dan mengkonsumsi informasi yang mengarah ke jumlah data yang tidak bisa
diperkirakan. Beberapa domain yang ada dari analisis media sosial dalam berperan penting
untuk meningkatkan produktivitas dan mendapatkan keunggulan kompetitif. Informasi yang
diperoleh dari media sosial telah digunakan dalam perawatan kesehatan untuk dukungan
pelayanan yang efektif, Dalam olahraga untuk terlibat dengan penggemar, Dalam industri
hiburan untuk intuisi dan bisa dijadikan bahan pertimbangan dalam keputusan bisnis dan
dalam politik untuk melacak proses pemilu, mempromosikan keterlibatan yang lebih luas
dengan pendukung dan memprediksi hasil jajak pendapat. Namun, di samping manfaat
diatas, terdapat pula peningkatan pesat penyimpangan digital berupa spam dalam media
sosial membuat kredibilitas isi penelitian dipertanyakan.
Internet dianggap sebagai alat yang sangat kuat. Email adalah efficara efisien untuk
pertukaran informasi. Mengingat pertumbuhan Internet dan lebar penggunaan email, laju
peningkatan spam menjadi perhatian besar. Spam dapat berasal dari mana saja di World Wide
Web. Meskipun sudah ada alat untuk mencegah spam, yang telah meningkat setiap hari.
Salah satu cara untuk menilai situasi saat ini adalah dengan adanya organisasi pemeriksa
sarana yang tersedia yang dapat digunakan untuk bahkan menghitung jumlah spam. cara ini
mencakup sistem email perusahaan, gateway, spam di penyaringan dan pelatihan pengguna
akhir. pengguna internet tidak bisa mengabaikan masalah penting ini dunia internet modern.
Kekurangan sistem mekanik untuk mencegah spam akan menghasilkan spam-jenuh World
Wide Web, pemusnahan produk Internet dan kehilangan berat bandwidth.
Penggunaan internet yang semakin meningkat, memberikan dampak positif maupun
negatif bagi pihak yang menggunkannya. Dari sisi positif, internet dapat menembus batas
ruang dan waktu, di mana antara pengguna dan penyedia layanan dapat melakukan berbagai
hal di internet tanpa mengenal jarak dan perbedaan waktu. Sedang sisi negatif, pengaruh
budaya luar yang dapat mempengaruhi budaya pengguna internet itu sendiri.
Spamming atau tindak penyebaran spam adalah merupakan salah satu bentuk
penyalahgunaan teknologi e-mail yang paling umum dan paling sering di jumpai pengguna
fasilitas email spam product hasil spamming, dapat didefinisikan sebagian pesan email yang
di inginkan oleh pengguna yang sebagian besar adalah message commercil walaupun tingkat
ancamannya dapat di katakan tergolong rendah jika dibandingkan dengan email worm
ataupun phising. Keberadaan spam di nilai sangat mengganggu kenyamanan pengguna dan
pemborosan qoanto malbox yang merugikan pihak penyedia layanan email itu sendiri. Tidak
hanya berhenti hingga tahap itu saja, bahkan beberapa jenis spam membawa mail worm,
virus komputer dan program program berbahaya yang mengkamuflasekan diri dan melekat
pada attachment mereka. Seiring dengan waktu, problem spam yang semula sederhana dan
terbatas makin memasyarakat dan menjangkau hampir semua akun pengguna mail dan kini
telah menjadi sebuah fenomena epidemik, penyakir menular yang terus bertambah parah dan
masih belum jelas solusinya.
B. Rumusan Masalah
A. Pengertian spam
Spam adalah kegiatan mengirimkan pesan kepada orang lain dengan menggunakan
perangkat elektronik secara terus-menerus dan dengan jumlah yang masif tanpa kehendaki
oleh penerimanya, aktivitas spam ini disebut dengan spamming dan pelakunya disebut
dengan spammer.
B. Tujuan spam
ada beberapa alasan mengapa para spammer tetap melakukan spamming meskipun
dapat merugikan orang lain. Mengacu pada arti spam yang dijelaskan sebelumnya adapun
beberapa tujuan spam ialah sebagai berikut:
1. Tujuan Promosi
Ada banyak pihak yang ingin memasarkan sesuatu di internet dengan cara-cara yang
tidak etis, salah satunya dengan mengirimkan spam kepada orang lain. Isi pesan yang
terdapat dalam pesan spam biasanya penawaran barang maupun jasa. Pelaku spam
bisa dari mana saja, baik itu perorangan maupun perusahaan. Bahkan ada juga
perusahaan yang menjadikan pesan spam melalui email dan sms sebagai kanal
pemasarannya.
2. Tujuan Penipuan
Spam untuk tujuan penipuan juga sangat marak ditemukan, baik melalui email, SMS
dan media lainnya. Modus penipuannya pun sangat beragam, misalnya mengambil
alih akun online “phising”, pencurian data, meminta uang dan lain sebagainya.
3. Sekedar iseng
Spam untuk tujuan iseng merupakan bentuk spam yang cukup mengganggu pengguna
internet. Meskipun tidak bermaksud melakukan tindakan penipuan atau tindakan
kejahatan lainnya, namun korban mendapat kerugian dan spammer akan mendapat
keuntungan bila korban merespon.
C. Contoh spam
Sebenarnya ada banyak sekali bentuk spam yang terjadi di kehidupan kita sehari-hari,
sesuai dengan arti spam, adapun beberapa contoh spam ialah sebagai berikut:
1. Spam email
Spam melalui email ialah spam yang paling sering ditemukan saat ini, bentuk spam
email ini ialah mengirimkan surat elektronik komersial secara massal yang tidak
diminta oleh si penerima email. Pengiriman spam email ini bisa dilakukan melalui
“jaringan zombie” jaringan virus yang telah menginfeksi komputer pribadi maupun
kantor di seluruh dunia. Namun spam email juga banyak terjadi karena pengguna
internet mendaftarkan email mereka pada website tertentu.
2. Spam sms
Spam SMS atau pesan instan juga cukup jamak terjadi saat ini, tujuan spam SMS pun
cukup beragam namun kebanyakan bertujuan untuk promosi barang atau jasa dan
penipuan. Spam SMS ini dilakukan dengan menggunakan software blast yang dapat
mengiriman pesan instan secara massal ke nomor ponsel.
3. Spam di blog
Spam melalui komentar di blog juga merupakan salah satu momok yang cukup
mengganggu para blogger atau pemilik website, pasalnya saat ini komentar spam di
blog dilakukan dengan menggunakan software khusus sehingga komentar spam di
sebuah blog jumlahnya sangat banyak.
4. Spam di search engine
Spam mesin pencari disebut juga dengan spam dexing, singkatan dari spamming dan
indexing. Tujuan spamdexing ini ialah untuk menempatkan halaman-halaman situ
spam di mesin pencari pencarian yang relevan sehingga mendapatkan trafik dari
mesin pencari. Untuk mengatasi hal ini mesin pencari modern seperti Google selalu
melakukan update pada alogritmanya sehingga situs-situs yang menerapkan
spamdexing akan dihapus dari indeks pencarian google.
<tr>
</tr>
</table>
berarti huruf yang anti spam baca sesuia dengan urutan nya adalah M i Ok D l A a L n,
padahal yang kita baca adalah MODAL iklan.
G. Penagulangan SPAM
Pada dasarnya spam tidak dapat kita hapus, tetapi ada beberapa cara yang dapat
mengatasi masuknya SPAM. Sampai saat ini,belum ada satupun cara untuk menghilangkan
SPAM, yang ada adalah mengurangi SPAM. Cara yang banyak digunakan saat ini adalah
mengotomatisasikan proses pemilahan antara e-mail spam dan yang bukan spam dengan
menerapkan teknologi filter.
Adapun hal-hal lain yang dapat membantu mengurangi spam adalah :
1. Jika mungkin, gunakan e-mail lain (selain e-mail untuk bisnis) sewaktu
berkorespondensi untuk hal-hal di luar bisnis, misalnya mailing list. Banyak penyebar
SPAM yang menggunakan alamat dari mailing list untuk melancarkan aksinya.
2. Aktifkan anti-virus dan personal Firewall pada PC. Kebanyakan SPAM pada saat ini
yang mengandung virus atau Trojan yang dapat menggangu sistem pada PC dan
jaringan. Biasanya, program Trojan tadi digunakan untuk menyebarkan e-mail SPAM
ke alamat lain yang tercantum pada address book.
3. Aktifkan anti-relay atau non aktifkan relay sistem pada server e-mail. Cara ini untuk
memastikan bahwa e-mail server kita tidak dijadikan sasaran untuk tempat transit e-
mail SPAM. Untuk mengetahui apakah mail server kita menerima relay dapat dicek
melalui http://www.abuse.net/relay.
4. Gunakan fitur dalam program e-mail yang dapat mengelompokkan e-mail. Program e-
mail seperti Microsoft Outlook dan Mozilla Thunderbird dapat mengelompokkan e-
mail seperti mengelompokkan e-mail dari internal, dari rekanan dan sebagainya.
Dengan pengelompokan ini, walau tidak mengurangi SPAM sama sekali, kita dapat
melakukan prioritas dalam membaca e-mail, dan e-mail yang penting tersebut tidak
tercampur baur dengan SPAM e-mail.
2. Survei literatur
Spam memerlukan segala bentuk aktivitas yang menyebabkan kerugian atau
mengacukan pengguna online lainnya. Peningkatan jumlah tweet spam yang dapat
dikaitkan dengan kecenderungan manusia untuk penyebaran informasi yang
menyesatkan, bahkan jika informasi tersebut berasal dari sumber-sumber tidak bisa
diandalkan, seperti rekening bot sosial. Baru-baru ini, Vosoughi et al. menemukan
bahwa kedua penyebaran berita asli dan palsu pada tingkat yang sama. berita palsu di
Twitter menyebar dengan cepat. bots sosial dikerahkan untuk mempercepat proses dan
pengguna manusia lebih lanjut memperkuat konten. Untuk mendeteksi tweet spam,
sistem deteksi banyak telah diusulkan, kita-ing berbagai teknik yang dibahas dalam
bagian ini.
Perintis karya Wang pada deteksi spam dimanfaatkan model grafik diarahkan untuk
menganalisis hubungan teman follower di Twitter dan menentukan fitur set untuk
deteksi spam yang efektif. Dalam konteks yang luas, pendekatan untuk deteksi spam
biasanya dapat clas-sified bawah kategori berikut: analisis grafik sosial, Analisis teks
dan pola aktivitas, Analisis profil pengguna meta-data, penggunaan URL dan efek
URL kebingungan. Analisis perilaku interaksi, Dan URL daftar hitam dan efeknya.
Baru-baru ini, pada bulan November 2017, Twitter meningkatkan jumlah maksimum
karakter dalam sebuah tweet untuk sebagian besar pengguna, setelah lebih dari satu
bulan pengujian. Sampai saat itu, pengguna dibatasi 140 karakter per menciak
sehingga membuat URL dan URL memperpendek ser-sifat buruk yang meluas.
Thomas et al. dan Lee dan Kim sungai anal-ysed URL yang digunakan oleh pengguna
spam dan mempelajari bagaimana spam mer mengeksploitasi URL kebingungan
untuk mengarahkan pengguna ke situs berbahaya. Grier et al. menganalisis sejumlah
besar URL yang berbeda titik lainnya-ing ke situs daftar hitam karena keterlibatan
mereka dalam penipuan, kegiatan phish-ing dan malware. Meskipun pendekatan ini
efektif, sering lambat dan gagal untuk mendeteksi URL yang mengarah ke situs
berbahaya tetapi belum daftar hitam sebelumnya. Gao et al. juga penggunaan URL
pejantan-ied di Facebook untuk mendeteksi spam aktivitas dan ob-dilayani bahwa
bentuk spamming sebagian besar berhubungan dengan account com dijanjikan
daripada akun yang dibuat semata-mata untuk kegiatan spam. Benevenuto et al.
mempelajari sifat statistik dari account pengguna dan bagaimana layanan pemendekan
URL mempengaruhi spam yang mekanisme de-tection. Namun, penggunaan universal
URL dan URL shortening oleh sebagian besar pengguna Twitter membuat di FFI
kultus untuk langsung mengidentifikasi link yang berpotensi jahat pada skala besar.
Secara umum, penggunaan URL bergantung pada informasi sejarah, membatasi
kemungkinan deteksi real-time.
Danezis dan Mittal digunakan model jaringan sosial untuk di-fer account pengguna
yang sah yang sedang dikendalikan oleh adver-sary. Lee et al. menciptakan honeypot
sosial menyumbang meniru naif pengguna Twitter untuk pengguna postingan
memikat spam. Pengguna yang menjadi mangsa dengan melibatkan account tersebut
diasumsikan melanggar kebijakan penggunaan. Pengguna diidentifikasi menggunakan
metode ini dianalisis untuk membedakan jenis pengguna yang berbeda berfokus pada
link muatan dan fea-membangun struktur yang dapat menangkap dinamika jaringan
pengikut-berikut pengguna. Varol et al. dipekerjakan banyak fitur yang berhubungan
dengan pengguna, konten dan jaringan untuk mengembangkan sistem deteksi akun bot
sosial.
Sedhai dan Sun menganalisis distribusi kata-kata spam, yaitu istilah dengan
probabilitas yang lebih tinggi dari terjadinya spam daripada di tweet non-spam, dalam
tweets untuk mendeteksi spam. Chen et al. pro-vides dalam analisis mendalam dari
kata-kata menipu digunakan oleh spammer di Twitter. Karya Chen et al. dimotivasi
oleh Twitter Spam Drift, yaitu milik fitur statistik tweet spam yang berubah dari
waktu ke waktu. Twitter Spam Drift disebabkan karena spammer terus menerus
mengadopsi dan menghapuskan berbagai trik mengelak. Fitur kembali lated fenomena
ini dipergunakan dalam pelatihan mesin belajar-ing pengklasifikasi. Li dan Liu
menganalisis bagaimana pengaruh dataset ketidakseimbangan dapat dikurangi dalam
tugas-tugas deteksi.
Metode pembelajaran mesin standar kadang-kadang consid-ered tidak memadai dalam
menangkap variabilitas spamming menjadi-haviour. Wu et al. dimanfaatkan teknik
pembelajaran yang mendalam berdasarkan Word2Vec untuk menangkap variasi
terkait spam chal-tantangan-. Sementara itu adalah penting untuk memungkinkan
model deteksi untuk dilanju-menerus belajar fitur cukup kuat untuk membedakan
spam dari non-spam, metode yang hanya mengandalkan informasi tekstual yang di-
cukup untuk menarik perbedaan antara akun spam yang postingan kebiasaan dan non
spam akun posting. fitur kerajinan tangan kembali lated ke akun dan kebutuhan
pengguna untuk dipertimbangkan. Dalam penelitian ini, satu set fitur kerajinan tangan
leveraged bersama-sama dengan fitur belajar dengan jaringan saraf yang mendalam.
Fitur dipelajari oleh hu-mans dan dikodekan untuk pengklasifikasi dapat mencapai
kinerja yang lebih baik dan tingkat positif palsu rendah.
Penggunaan sejumlah besar fitur memperkenalkan tambahan atas-kepala ke sistem
deteksi, beberapa di antaranya mungkin tidak tersedia untuk realtime digunakan.
Subrahmanian et al. Penawaran wawasan teknologi-tehnik dimanfaatkan dalam
mengidentifikasi pengaruh bots, yaitu otonom enti-hubungan ditentukan untuk
mempengaruhi diskusi di Twitter. Pengaruh bot terdiri kategori rekening bot sosial
yang berusaha untuk menegaskan influence pada diskusi topikal atau baru sehingga
menghasilkan data unrepre-sentative atau palsu. Studi yang disurvei pada deteksi
spam sebagian besar bergantung pada salah satu tweet sejarah dari pengguna untuk
mengekstrak fitur yang berkontribusi overhead tambahan untuk sistem deteksi atau
fitur belajar dengan teknik tanpa pengawasan terbatas. Pendekatan yang diusulkan
kami bergantung pada fitur tersedia secara real-time untuk kinerja yang lebih baik dan
penerapan yang lebih luas.
3. Dataset
Tabel 2.1. Ringkasan dataset: Ukuran data asli mengacu pada data yang dikumpulkan
sebelum beberapa preprocessing awal langkah seperti menghapus tweet non-Inggris
dan duplikat.
Ukuran
Himpunan Ukuran data dataset Diverifikasi
data asli preprocessed Kelas Koleksi ?
SPD
otomatis 10.318 8515 Sah otomatis Iya
SPD
otomatis 25.568 9831 Spam otomatis Tidak
SPD
panduan 2000 1300 Sah panduan Iya
SPD
panduan 2000 700 Spam panduan Tidak
Tabel 2.1. Ringkasan dataset
Di Tabel 2.1 mengacu pada data dari pengguna asli yang akunnya telah diverifikasi
oleh Twitter. Sebuah account diverifikasi adalah cer-tified oleh Twitter untuk menjadi
asli dan informasi tersebut tersedia dari bagian meta-data tweets. Berbeda dengan
pendekatan berlari-domised digunakan dalamUntuk memastikan pengguna legitimasi
di Twitter, kami menggunakan account diverifikasi oleh Twitter dalam membangun
bagian legit-Imate dari dataset SPD untuk menghindari potensi risiko dari tingkat
positif palsu yang tinggi.
Berikut adalah gambar Pengumpulan dan validasi dari spam bagian dari SPD otomatis
dataset dari Twitter.
Gambar 2.1. Pengumpulan dan validasi dari spam bagian dari SPDotomatis dataset dari
Twitter.
Tabel 2.2. Contoh bigrams collocational dari spam bagian dari SPD otomatis. Kata kunci
dikembalikan oleh LSA di Honeypot dataset ditampilkan dalam huruf tebal. pengguna
yang sebenarnya menyebutkan digantikan dengan placeholder 'user' untuk menjaga
anonimitas.
Tabel 2.2. Contoh bigrams collocational dari spam bagian dari SPDotomat
Gambar 2.2 An overview of Twitter: three different categories of attributes that support
global interconnectivity of users are shown. The features utilised in this study are derived
from these categories directly or indirectly.
Gambar 2.3 User types in the SPD manual dataset.
4. Conclusion
Studi ini menawarkan metode yang efektif untuk deteksi spam dan wawasan baru ke
dalam teknik-teknik canggih untuk melakukan spamming di Twitter. Selama analisis data,
kami mengamati bahwa pengguna spam cenderung selektif dalam mengikuti pengguna lain
sehingga membentuk kantong spammer. Selain itu, kedua kelompok pengguna luas, yaitu
pengguna manusia dan pengguna bot sosial (entitas otonom) berisi spammer, yang perilaku
spamnya cenderung serupa. Perbedaan antara pengguna manusia yang sah vs bot sosial yang
sah serta spammer manusia vs spammer bot sosial perlu diselidiki lebih lanjut.
BAB III
PENUTUP
A. Kesimpulan
Kejahatan komputer adalah tindakan pidana kriminal yang dilakukan pada teknologi
internet ( cyberspace ), baik yang menyerang fasilitas umum di dalam cyberspace ataupun
kepemilikan pribadi Kejahaatan komputer biasanya dipengaruhi beberapa faktor dari segi
ekonomi,politik,intelektual. 8. Kesimpulan dan pekerjaan di masa depan.
Hasil dari studi ini menawarkan metode yang efektif untuk deteksi spam dan wawasan
baru ke dalam teknik-teknik canggih untuk mengatasi spam di Twitter. Metode deteksi spam
yang diusulkan menggunakan serangkaian fitur yang dioptimalkan yang tersedia. Tidak
bergantung pada tweet historis yang sering tidak tersedia di Twitter membuatnya cocok untuk
deteksi spam real-time. Efektivitas dan kesegaran dari set fitur yang diusulkan ditunjukkan
dengan menguji sejumlah model pembelajaran mesin dan pada dataset yang dikumpulkan
secara ortogonal dari data penelitian. Sebagai contoh, itu berlaku untuk pipa pengumpulan
data untuk menyaring konten yang tidak relevan pada tahap pra-pemrosesan awal untuk
memastikan kualitas dan keterwakilan data penelitian. Kombinasi fitur buatan tangan dan
fitur yang dipelajari dengan cara yang tidak diawasi menggunakan embeddings kata terbukti
secara signifikan meningkatkan kinerja baseline dan untuk melakukan sebanding dengan set
fitur yang berkinerja terbaik menggunakan jumlah fitur yang lebih sedikit.
B. Saran
1 Kesadaran diri sendiri untuk lebih selektif dalam menggunakan social media
2 Masyarakat harus lebih tanggap apabila menemukan situs-situs yang melanggar
hukum untuk langsung melaporkannya kepada pihak berwajib.
3 Pemerintah harus lebih sigap dalam menangani kasus pelanggaran yang terjadi di
internet.
DAFTAR PUSTAKA
https://www.dosenpendidikan.co.id/spam-adalah/