Ismail, Achmad (2020) KLASIFIKASI SHORT MESSAGE SERVICE (SMS)MENGGUNAKAN ALGORITMA LONG SHORT TERM MEMORY DAN RECURRENT NEURAL NETWORK. Diploma thesis, Universitas YARSI.

Preview	Text 1. Cover.pdf Download (184kB) | Preview
Preview	Text 3. Abstrak.pdf Download (236kB) | Preview
Preview	Text 5. Halaman Pengesahan.pdf Download (1MB) | Preview
Preview	Text 12. Bab 1 Pendahuluan.pdf Download (308kB) | Preview
	Text 13. Bab 2 Tinjauan Pustaka.pdf Restricted to Registered users only Download (2MB)
	Text 14. Bab 3 Metodologi Penelitian.pdf Restricted to Registered users only Download (258kB)
	Text 15. Bab 4 Hasil Pembahasan dan Analisis.pdf Restricted to Registered users only Download (963kB)
	Text 16. Bab 5 Penutup.pdf Restricted to Registered users only Download (277kB)
Preview	Text 17. Daftar Pustaka.pdf Download (187kB) | Preview
Preview	Text 25. (Agama) Bab 1 Pendahuluan.pdf Download (312kB) | Preview
	Text 26. (Agama) Bab 2 Tinjauan Pustaka.pdf Restricted to Registered users only Download (313kB)
	Text 27. (Agama) Bab 3 Kesimpulan dan Saran.pdf Restricted to Registered users only Download (226kB)
Preview	Text 28. (Agama) Daftar Pustaka.pdf Download (196kB) | Preview

Abstract

SMS (Short Message Service) adalah suatu fasilitas untuk mengirim dan menerima suatu pesan singkat berupa teks melalui telepon selular. Dalam penelitian ini pesan yang masuk akan diklasifikasikan, untuk dataset Bahasa Inggris memiliki 2 kategori yaitu spam dan ham. Untuk dataset Bahasa Indonesia memiliki 3 kategori yaitu kategori normal, promo dan penipuan dengan menggunakan algoritma LSTM (Long Short Term Memory) dan RNN(Recurrent Neural Network). Pada penelitian ini melakukan dua kali eksperimen. Hasil eksperimen 1 nilai terbaik pada dataset berbahasa Inggris ada pada percobaan 1 dengan proporsi data 75%:25% algoritma LSTM mendapatkan hasil yang paling baik dibandingkan dengan algoritma RNN, dengan nilai terbaik pada unit 512 dengan hasil loss=0.14, accuracy=0.98, standartDeviation=0.34, precision=0.99, recall=0.99 dan f1_score=0.99 dan nilai terbaik pada dataset berbahasa Indonesia ada pada percobaan 1 dengan proporsi data 75%:25% algoritma LSTM mendapatkan hasil yang paling baik dibandingkan algoritma RNN, dengan nilai terbaik pada unit 256 dengan hasil loss=0.21, accuracy=0.95, standartDeviation=0.30, precision=0.98, recall=0.96 dan f1_score=0.97. Hasil eksperimen 2 nilai terbaik ada pada algoritma LSTM dengan data berbahasa Inggris dengan unit 64 dan pembagian data 75%:25%, epochs=10, patience=7, min_delta=0.0001, SpatialDropout1D=0.2, Dense=2, activation=softmax, optimizer=RMSprop, batch_size=256, random_state=42 mendapatkan nilai loss=0.07, accuracy=0.97, stdev=0.36, precision=0.98, recall=0.98 dan f1_score=0.98. Keyword: Klasifikasi,Akurasi,Prediksi

Actions (login required)

View Item