Analisis Klasifikasi SMS Spam Menggunakan Logistic Regression

Main Article Content

Ferin Reviantika
Yufis Azhar
Gita Indah Marthasari

Abstract

SMS atau Short Message Service biasa nya terdapat pada telepon seluler. SMS dibagi menjadi dua kategori yaitu SMS spam dan SMS non spam (ham). SMS spam adalah SMS yang bersifat mengganggu pengguna telepon karena cenderung berisi pesan yang tidak penting seperti promo dan penipuan. Sedangkan SMS non spam (ham) cenderung berisi SMS yang penting, seperti sudah ada riwayat pesan dengan pengguna sebelumnya. Pada penelitian ini dilakukan klasifikasi SMS spam dan SMS non spam (ham) menggunakan metode logistic regression. Tujuan dari penelitian ini untuk membedakan atau mengklasifikasikan antara SMS spam dan non spam (ham). Dataset dalam penelitian ini berjumlah 1143 data, terdapat dua kolom yaitu kolom teks dan kolom label. Jumlah untuk pesan spam sebanyak 566 pesan dan jumlah untuk pesan non spam sebanyak 577. Metode yang diusulkan mendapat akurasi yang lebih baik yaitu 95%.

Downloads

Download data is not yet available.

Article Details

How to Cite
[1]
F. Reviantika, Y. Azhar, and G. I. Marthasari, “Analisis Klasifikasi SMS Spam Menggunakan Logistic Regression”, JR, vol. 3, no. 4, Jan. 2024.
Section
Articles

References

B. Indiarto, “Klasifikasi Sms Spam Dengan Metode Naive Bayes Classifier Untuk Menyaring Pesan Melalui Selular,” vol. 8, no. 2, pp. 167–172, 2016.

A. Setiawan, I. F. Astuti, and A. H. Kridalaksana, “Klasifikasi Dan Pencarian Buku Referensi Akademik Menggunakan Metode Naïve Bayes Classifier ( NBC ) ( Studi Kasus : Perpustakaan Daerah Provinsi Kalimantan Timur ),” vol. 10, no. 1, 2015.

I. N. Dewi, C. Supriyanto, F. I. Komputer, and U. D. Nuswantoro, “Klasifikasi Teks Pesan Spam Menggunakan Algoritma Naïve Bayes,” vol. 2013, no. November, pp. 156–160, 2013.

S. Basuki, S. Maghfiroh, and Y. Azhar, “Klasifikasi Tweets Tindak Kejahatan Berbahasa Indonesia Menggunakan Naive Bayes,” vol. 2, no. 7, pp. 933–944, 2020.

G. S. Sravya and G. Pradeepini, “Mobile Sms Spam Filter Techniques Using Machine Learning Techniques,” vol. 9, no. 03, pp. 384–389, 2020.

I. T. Utami, “Analisis Regresi Logistik Biner Untuk Mengklasifikasi Penderita Hipertensi Berdasarkan Kebiasaan Merokok Di RSU Mokopido Toli-Toli Binary Logistic Regression Analysis For Classification Of Hypertension Patients Based On Smoking Habits In Mokopido Toil-Toli Hospital,” vol. 7, no. 3, pp. 341–348, 2018.

D. B. Setyohadi and F. A. Kristiawan, “Perbaikan performansi klasifikasi dengan preprocessing iterative partitioning filter algorithm 1,” vol. 14, no. 01, pp. 12–20, 2017.

F. Ratnawati, “Implementasi Algoritma Naive Bayes Terhadap Analisis Sentimen Opini Film Pada Twitter,” 2018.

A. H. Yunas and M. Fikry, “Klasifikasi Tweet E-Commerce dengan Menggunakan Metode Support Vector Machine,” vol. 4, no. 2, pp. 50–55, 2018.

R. Melita et al., “( TF-IDF ) Dan Cosine Similarity Pada Sistem Temu Kembali Informasi Untuk Mengetahui Syarah Hadits Berbasis Web ( Studi Kasus : Syarah Umdatil Ahkam ),” vol. 11, no. 2, 2018.

K. S. Setyawati et al., “Aplikasi Sentiment Analysis Terhadap Pelaksanaan Pembelajaran Jarak Jauh Universitas Kristen Petra Dengan Metode Naive Bayes Classifier.”

A. Y. Permana, “Implementasi Stemming Porter Kbbi Untuk Klasifikasi Topik Soal Ujian Nasional Bahasa Indonesia Menggunakan Algoritma Naive Bayes,” 2017.

Kurniawati, “Term weighting berbasis indeks kelas menggunakan metode tf.idf.ics,” 2016.

T. Trisna et al., “Analysis And Detection Of Hoax Contents In Indonesian News Based On Machine Learning,” vol. 4, no. 1, 2019.

C. Science, A. Bimantara, and T. A. Dina, “Klasifikasi Web Berbahaya Menggunakan Metode Logistic Regression,” vol. 4, no. 1, pp. 978–979, 2018.

O. S. Balogun, T. J. Akingbade, and A. Akinrefon, “Evaluation Of Logistic Regression In Classification Of Drug Data In Kwara State,” no. May 2014, 2013.

H. Saiyar, “Aplikasi Diagnosa Penyakit Tuberculosis Menggunakan Algoritma Naive Bayes,” vol. 5, no. 5, pp. 498–502, 2018.

M. Athaillah, Y. Azhar, and Y. Munarko, “Perbandingan Metode Klasifikasi Berita Hoaks Berbahasa Indonesia Berbasis Pembelajaran Mesin,” vol. 2, no. 5, pp. 675–682, 2020.

D. H. Kalokasari, I. M. Shofi, and A. H. Setyaningrum, “Implementasi Algoritma Multinomial Naive Bayes Classifier Pada Sistem Klasifikasi Surat Keluar ( Studi Kasus : DISKOMINFO Kabupaten Tangerang ),” vol. 10, no. 2, 2017.

Most read articles by the same author(s)

<< < 4 5 6 7 8 9 10 > >>