Search for collections on Universitas YARSI Repository

KLASIFIKASI SHORT MESSAGE SERVICE (SMS)MENGGUNAKAN ALGORITMA LONG SHORT TERM MEMORY DAN RECURRENT NEURAL NETWORK

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

[img]
Preview
Text
1. Cover.pdf

Download (184kB) | Preview
[img]
Preview
Text
3. Abstrak.pdf

Download (236kB) | Preview
[img]
Preview
Text
5. Halaman Pengesahan.pdf

Download (1MB) | Preview
[img]
Preview
Text
12. Bab 1 Pendahuluan.pdf

Download (308kB) | Preview
[img] Text
13. Bab 2 Tinjauan Pustaka.pdf
Restricted to Registered users only

Download (2MB)
[img] Text
14. Bab 3 Metodologi Penelitian.pdf
Restricted to Registered users only

Download (258kB)
[img] Text
15. Bab 4 Hasil Pembahasan dan Analisis.pdf
Restricted to Registered users only

Download (963kB)
[img] Text
16. Bab 5 Penutup.pdf
Restricted to Registered users only

Download (277kB)
[img]
Preview
Text
17. Daftar Pustaka.pdf

Download (187kB) | Preview
[img]
Preview
Text
25. (Agama) Bab 1 Pendahuluan.pdf

Download (312kB) | Preview
[img] Text
26. (Agama) Bab 2 Tinjauan Pustaka.pdf
Restricted to Registered users only

Download (313kB)
[img] Text
27. (Agama) Bab 3 Kesimpulan dan Saran.pdf
Restricted to Registered users only

Download (226kB)
[img]
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

Item Type: Thesis (Diploma)
Additional Information: S-713-FTI
Subjects: T Technology > T Technology (General)
Divisions: Faculty of Engineering, Science and Mathematics > School of Electronics and Computer Science
Depositing User: Unnamed user with email admin@yarsi.ac.id
Date Deposited: 26 Jul 2021 07:01
Last Modified: 26 Jul 2021 07:01
URI: http://digilib.yarsi.ac.id/id/eprint/9065

Actions (login required)

View Item View Item