Teknik Bagging Pada Algoritma Klasifikasi Decision Tree dan SVM Untuk Klasifikasi SMS Berbahasa Indonesia

Abstract

Abstrak— Perkembangan teknologi di berbagai sektor yang sangat cepat selama satu dekade ini, membuat kita semakin dimudahkan dalam melakukan aktivitas sehari-hari. Dari bertukar surat melalui burung merpati dengan jangkauan terbatas hingga dapat melakukan panggilan video di seluruh dunia dengan selisih waktu yang hampir secara realtime. Pada tahun 2000-an adalah masa dimana mulai ada SMS (Short Message Service). SMS dengan cepat menjadi sarana komunikasi tidak langsung yang populer, situasi ini dimanfaatkan orang tidak bertanggung jawab untuk melakukan kegiatan melanggar hukum seperti penipuan. Untuk mengurangi korban penipuan SMS, perlu untuk menerapkan filter SMS agar tidak semua SMS masuk ke pengguna, salah satu caranya adalah dengan melakukan klasifikasi dan prediksi dari SMS yang masuk apakah SMS tersebut mengandung penipuan atau tidak. Teknik yang biasa dipakai dalam klasifikasi adalah decision tree dan SVM, pada penelitian ini juga akan digunakan teknik ensemble yang dapat meningkatkan kinerja dari algoritma yang digunakan yaitu teknik bagging, data yang digunakan adalah dataset SMS dari penelitan Rahmi dan Wibisono[1]. Penggunaan teknik bagging memiliki pengaruh yang signifikan pada peningkatan nilai akurasi algoritma decision tree dan SVM, decision tree mengalami kenaikan nilai akurasi sebanyak 5% dari 86% menjadi 91% menggunakan data unigram tanpa TF-IDF pada uji 5-fold, algoritma SVM tidak mengalami peningkatan nilai akurasi yang signifikan saat diterapkan teknik bagging.

Kata Kunci— Bagging, Klasifikasi, SMS, Decision Tree, SVM, TF-IDF, N-Gram