ANALISIS KOMPARASI MACHINE LEARNING PADA DATA SPAM SMS

Spam SMS adalah pesan yang tidak berguna bagi penerima dan sering kali menjadi penyalahgunaan oleh pihak yang tidak bertanggung jawab. Menhindari penyalahgunaan itu perlu dilakukan penyaringan spam SMS, tetapi perlu algoritma penyaringan data spam SMS. Dengan menggunakan Machine Learning penyaringan itu menjadi mudah, contoh dari Machine Learning yang popular adalah SVM dan Naïve Bayes. SVM dan Naïve Bayes dapat digunakan untuk penyaringan data spam SMS, tetapi machine learning mana yang menjadi terakurat dan memiliki nilai presisi yang baik. Untuk melihat komparasi antar kedua algoritma tersebut maka dilakukan cara pengolahan data spam SMS dengan cara mengumpulkan data SMS tertebih dahulu kemudian data SMS tersebut diberi label manual lalu dilakukan proses akromin, stop words dan pembobotan. Setelah dilakukan pembobotan maka akan dilakukan proses training oleh SVM dan Naïve Bayes. Proses training dilakukan untuk mendapatkan model yang akan diuji untuk menbandingkan machine leaning pada data Spam SMS. Setelah dilakukan pengujian dengan membuat 12 model data, maka didapat SVM memiliki nilai presisi yang lebih baik dari pada Naïve Bayes yaitu 94.98%. Naïve Bayes memiliki tingkat akurasi yang baik dengan rata-rata 92.22%.