Penerapan Metode Naïve Bayes Untuk Klasifikasi Sms Spam Menggunakan Java Rogramming

##plugins.themes.bootstrap3.article.sidebar##

pdf
Diterbitkan Dec 20, 2019
DOI : https://doi.org/10.32664/j-intech.v7i02.435
  • Halaman : 104 - 108
  • Abstract views : 277
  • PDF views : 563

##plugins.themes.bootstrap3.article.main##

Eko Ardian Pranata
STIKI Malang
Subari Subari
STIKI Malang
Go Frendi Gunawan
STIKI Malang

Abstrak

Short Message Service (SMS) adalah salah satu layanan komunikasi untuk mengirim dan menerima pesan
singkat berupa teks pada telepon seluler (ponsel). SMS masih digunakan setiap harinya karena kemudahan
penggunaan, sederhana, cepat, dan murah. Meningkatnya penggunaan SMS dimanfaatkan oleh banyak pihak untuk mendapatkan keuntungan, salah satunya adalah mengirimkan spam melalui SMS. Metode yang
digunakan melakukan pendekatan probabilistik dalam melakukan inferensi yakni berbasis teorema bayes
secara umum. Data latih yang digunakan pada proses pengkategorian didapat dari jurnal dan sudah memiliki kategori sebelumnya yaitu SMS spam dan bukan spam. Aplikasi pada SMS berbahasa Indonesia, yang mempunyai morfologi tertentu dalam pemrosesan pengkategorian. Aplikasi melakukan beberapa tahapan dalam melakukan pemrosesan diantaranya adalah preprocessing berupa case folding, dan parsing,
transformation berupa penghapusan stopword removal dan stemming, penghitungan frekuensi dan
probabilitas dan perhitungan naïve bayes. Pengkategorian yang dihasilkan oleh aplikasi dibandingkan dengan pengkategorian manual mempunyai rata rata precision sebesar 24%, recall 88% dan Confusion Matrix (Akurasi) sebesar 62%

##plugins.themes.bootstrap3.article.details##

Terbitan
Vol 7 No 02 (2019): J-INTECH : Journal of Information and Technology
Bagian
Articles
Referensi
Ali Fahnur Yavi, (2017). Klasifikasi Artikel Berbahasa Indonesia Untuk Mendeteksi Clikbait Menggunakan Metode Naïve Bayes. Malang.
Arief .2004. Spam: Dampak dan Resikonya. http://www.ebizzasia.com [25 Januari 2018]
Dewi, Ika Novita, and Catur Supriyanto. 2013. “Klasifikasi Teks Pesan Spam Menggunakan Algoritma Naïve Bayes” 2013 (November): 156–60
Feldman, R., & Sanger, J. (2007). The Text Mining Handbook Advanced Approaches in Analyzing Unstructured Data. New York: Cambridge University Press.
Ganesan, K. (2006). Text Mining, Analytics & More. Retrieved from extanalytics101.rxnlp.com:http://textanalytics101.rxnlp.com/2014/10/allabout-stop-words-for-text-mining.html
Han, J., & Kamber, M. (2006). Data Mining Concepts and Techniques.
Istiaq, A. (2014). Pasca Sarjana. Meachine Learning, 183 – 184
Kunafi, A. (2009). Klasifikasi Email Berbahasa Indonesia Menggunakan Text Mining dan Algoritma K-MEAN. Surabaya: Politeknik Elektronik Negeri Surabaya.
Natalius, Samuel. 2011. “Metoda Naïve Bayes Classifier Dan Penggunaannya Pada Klasifikasi Dokumen,” no. 3.
Pathmanaban, H. (2016). Academia. Retrivied from https://www.academia.edu/: htpps://www.academia.edu/5889117/Text_Mining
Subari, Ferdinandus. 2015. Sistem Information Retrieval Layanan Kesehatan Untuk Berobat Dengan Metode Vector Space Model (VSM) Berbasis Webgis. Malang: Sekolah Tinggi Informatika & Komputer Indonesia Malang. Vol.03
Tapen, Panji. 2008. Email Spam Filtering.http://panjitapen.wordpress.com/2008/01/27/emailspam-filtering [12 Januari 2017]
Wijaya, A. P., & Santoso, H. A. (2016). Technology. Naïve Bayes Classification pada Klasifikasi Dokumen Untuk Identifikasi Konten E-Government, 48 – 55