Detektor Email Spam

Repositori ini berisi model untuk deteksi email spam yang diimplementasikan menggunakan Keras dan TensorFlow.

Dataset

Dataset (emails.csv) tersedia dalam direktori dataset. Ini mencakup teks email dan label yang menunjukkan apakah email tersebut adalah spam (1) atau bukan spam (0).

Instalasi

1. Pastikan Anda memiliki Python terinstal.
2. Instal dependensi yang diperlukan dengan menjalankan:

pip install -r requirements.txt

Penggunaan

1. Unduh dataset email (emails.csv) dan letakkan di dalam direktori dataset.
2. Buka dan jalankan notebook spam-email-detector.ipynb atau jalankan skrip spam-email-detector.py untuk melatih dan mengevaluasi model.
3. Jika Anda ingin menggunakan model yang sudah dilatih, pastikan untuk menyertakan instruksi cara mengunduh atau memuatnya.

Struktur Proyek

• dataset/: Direktori yang berisi dataset email (emails.csv).
• laporan-ppt/: Direktori yang berisi file laporan.
  • Spam Email Detector.pptx: PowerPoint yang berisi slideshow mengenai repo dan model.
  • Readme.md: Berkas penjelasan tentang masalah konversi canva ke PowerPoint.
• saved-model-h5: Direktori yang berisi model yang sudah di simpan.
  • Spam-Detector.h5: Berkas yang merupakan model yang telah di simpan.
• screenshot: Direktori yang berisi screenshot model.
  • akurasi: Direktori yang berisi screenshot summary akurasi model.
  • plot-proses-training : Direktori yang berisi screenshot tampilan graphic kemampuan model saat proses training.
  • tensorboard : Direktori yang berisi screenshot event tensorboard.
• requirements.txt: Berkas yang berisi daftar dependensi.
• source-code/: Direktori yang berisi file kode sumber.
  • spam-email-detector.ipynb: Notebook Jupyter untuk melatih dan mengevaluasi model.
  • spam-email-detector.py: Skrip Python untuk tujuan yang sama.

Authors

• Ganang Setyo Hadi (2208107010052)

Kontribusi

Jika Anda ingin berkontribusi pada proyek ini, silakan ikuti langkah-langkah berikut:

1. Fork proyek.
2. Buat branch baru (git checkout -b fitur-baru).
3. Lakukan perubahan dan commit (git commit -m 'Menambahkan fitur baru').
4. Push ke branch (git push origin fitur-baru).
5. Buat pull request.

Lisensi

Proyek ini dilisensikan di bawah Lisensi MIT.