Implementasi Ensemble Learning Adaboost Pada Algoritma Klasifikasi Decision Tree dan SVM Untuk Klasifikasi SMS Berbahasa Indonesia

Abstract

Perkembangan teknologi di berbagai sektor yang sangat cepat selama satu dekade ini, membuat kita semakin dimudahkan dalam melakukan aktivitas sehari-hari. Kebutuhan dalam berkomunikasi terus mengalami kemajuan dari yang awalnya menggunakan surat dengan jangkauan terbatas dan lama, hingga sekarang menggunakan layanan provider SMS (Short Message Service). Layanan SMS sangat digemari karena harganya yang murah dan dapat memilih untuk menjawab nanti jika tidak ada waktu pada saat tersebut. Bertumbuhnya pengguna SMS dibersamai dengan orang-orang yang tidak bertanggung jawab memanfaatkan situasi untuk keuntungan sendiri dengan melakukan tindak penipuan melalui SMS. Untuk mencegah tersebut, diperlukan sistem yang dapat memilah SMS agar tidak semua masuk ke pengguna. Salah satu cara yang dapat digunakan adalah membuat model machine learning yang dapat mengenali dan mengelompokkan SMS apakah SMS yang masuk tersebut adalah SPAM atau tidak. Algoritma SVM dan decision tree adalah dua algoritma klasifikasi yang mudah digunakan untuk memecahkan masalah klasifikasi, pada penelitian ini juga digunakan teknik ensemble adaboost yang dapat meningkatkan nilai akurasi dari base algoritma yang digunakan. Data yang digunakan adalah dataset SMS dari penelitian Rahmi dan Wibisono[1]. Algoritma SVM memilki nilai akurasi tertinggi dengan nilai 0.96 atau 96%, ditemukan juga bahwa algoritma SVM + Adaboost hanya membuahkan hasil yang baik saat diterapkan data jenis unigram dan bigram tanpa tf-idf dan unigram tanpa tf-idf. Algoritma SVM + Adaboost tidak cocok menggunakan tf—idf karena dapat menyebabkan penurunan nilai akurasi.