Perbandingan Klassifikasi SMS Berbasis Support Vector Machine, Naive Bayes Classifier, Random Forest dan Bagging Classifier

Abstract

Short message service (SMS) adalah salah satu media komunikasi yang penting untuk mendukung kecepatan pengunaan ponsel oleh pengguna. Sistem hibrid klasifikasi SMS digunakan untuk mendeteksi sms yang dianggap sampah dan benar. Dalam penelitian ini yang diperlukan adalah mengumpulan dataset SMS, pemilihan fitur, prapemrosesan, pembuatan vektor, melakukan penyaringan dan pembaharuan sistem. Dua jenis klasifikasi SMS pada ponsel saat ini ada yang terdaftar sebagai daftar hitam (ditolak) dan daftar putih (diterima). Penelitian ini menggunakan beberapa algoritma seperti support vector machine, Naïve Bayes classifier, Random Forest dan Bagging Classifier. Tujuan dari penelitian ini adalah untuk menyelesaikan semua masalah SMS yang teridentifikasi spam yang banyak terjadi pada saat ini sehingga dapat memberikan masukan dalam perbandingan metode yang mampu menyaring dan memisahkan sms spam dan sms non spam. Pada penelitian ini menghasilkan bahwa Bagging classifier algorithm ini mendapatkan ferformance score tertinggi dari algoritma yang lain yang dapat dipergunakan sebagai sarana untuk memfiltrasi SMS yang masuk ke dalam inbox pengguna dan Bagging classifier algorithm dapat memberikan hasil filtrasi yang akurat untuk menyaring SMS yang masuk.

Analisis Sentimen Masyarakat Terhadap Vaksinasi Covid-19 di Twitter Menggunakan Metode Random Forest Classifier (Studi Kasus: Vaksin Sinovac)

“…Algorime Random Forest Classifier adalah pengembangan dari model Algoritme Decision Tree, dimana setiap pohon fikiran dilatih dengan sampel individu [7]. Model Random Forest Classifier yang menghasilkan banyak tree dan dengan cara yang sama.…”

“…Model Random Forest Classifier yang menghasilkan banyak tree dan dengan cara yang sama. Seiring bertambahnya data, maka tree ikut berkembang [7]. Random Forest Classifier merupakan algoritme dengan membuat pohon klasifikasi dan regresi yang nodenya dipisahkan oleh algoritme yang dioptimasi sebagai fungsi untuk meminimalkan squared-error loss [25].…”

“…Penenlitian ini menggunakan machine learning dengan Algoritma TF-IDF untuk pemrosesan data sehingga data dapat diolah dalam bentuk matriks dan Random Forest Classifier untuk prediksi, Hasil prediksi akan dilampirkan dalam bentuk Cofusion Matrix. random forest classifier adalah metode standar untuk penelitian berbasis klasifikasi dan regresi yang termasuk dari ensemble learning [7]. Model Random Forest Classifier banyak digunakan untuk menyelidiki sebuah klasifikasi karena model ini merupakan sebuah perkembangan dari model tree [7] II.…”

“…random forest classifier adalah metode standar untuk penelitian berbasis klasifikasi dan regresi yang termasuk dari ensemble learning [7]. Model Random Forest Classifier banyak digunakan untuk menyelidiki sebuah klasifikasi karena model ini merupakan sebuah perkembangan dari model tree [7] II. DASAR TEORI…”

Sistem Pendukung Keputusan Penentuan Kelayakan Penangguhan Kredit Nasabah menggunakan Naïve Bayes

“…Naïve bayes adalah Metode Naive Bayes merupakan pengklasifikasian statistik yang dapat digunakan untuk memprediski probabilitas keanggotaan suatu class (Damuri et al, 2021;Riswanto & Laluma, 2020;Sihombing et al, 2021). Naïve Bayes juga mempunyai akurasi dan kecepatan yang sangat kuat ketika diaplikasikan pada database dengan big data (Ardiansyah et al, 2021;Hendrawan et al, 2022;Irawan et al, 2021;Rahmadi et al, 2020). Metode ini biasa dipakai untuk proses pengambilan suatu keputusan (Ali & Bukhari, 2021;Alita et al, 2021;García-Díaz et al, 2018;Setiyawati & Widiyanto, 2021), dan mencari penjumlahan terbobot dari rating pendataan pada setiap alternatif pada setiap atribut (Armansyah & Ramli, 2022;Dulhare, 2018;Sari et al, 2020).…”