Article Per Year (5 Year)
p-Index From 2019 - 2024
2.93
P-Index
This Author published in this journals
All Journal Teika SISFOTENIKA Jurnal Komputer Terapan CogITo Smart Journal JITK (Jurnal Ilmu Pengetahuan dan Komputer) CSRID (Computer Science Research and Its Development Journal) SENSITEK JUSTIN (Jurnal Sistem dan Teknologi Informasi) Jurnal Pengabdian kepada Masyarakat Indonesia (JPKMI) Klabat Journal of Management SmartComp Servitium Smart Journal
Green Arther Sandag
Fakultas Ilmu Komputer, Universitas Klabat
Religion Arts Humanities Biochemistry, Genetics & Molecular Biology Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Nursing Physics Public Health Social Sciences

Published : 22 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search
Journal : SENSITEK

 1 
Klasifikasi SMS Spam Menggunakan Algoritma Support Vector Machine (SVM) Green Arther Sandag; Raymond Sambur; Jebriella Bororing
Proceeding Seminar Nasional Sistem Informasi dan Teknologi Informasi 2018: Proceeding Seminar Nasional Sistem Informasi dan Teknologi Informasi (SENSITEK)
Publisher : STMIK Pontianak

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30700/pss.v1i1.303

Abstract

Informasi merupakan kumpulan data yang memiliki beragam konten yang dapat bersifat positif dan negative. Konten-konten yang tersebar dalam informasi tersebut dapat dengan mudah kita peroleh lewat berbagai macam jenis media contohnya SMS. Banyak informasi yang dikirim lewat SMS merupakan spam dimana konten yang dikirim berisi informasi yang tidak relevan dengan pengguna. Dengan fakta tersebut, perlu dibuat suatu system dalam mengklasifikasikan Spam dengan menggunakan text mining menggunakan metode Support Vector Machine (SVM), yang nantinya diharapkan dapat memilah komentar spam dalam SMS agar informasi yang diperoleh lebih akurat dan terpercaya. Data SMS yang didapat dari database Kaggle diolah terlebih dahulu dengan menggunakan teknik tokenizing, normalisasi kata, filtering, dan stemming. Selanjutnya peneliti menggunakan cross validation untuk menguji data training yang nantinya digunakan dalam proses klasifikasi. Algoritma SVM mampu mengklasifikasi spam dalam SMS dengan akurasi sebesar 96.72% dibanding naive bayes. Kata kunci: Spam, SVM, Naive Bayes, tokenizing, filtering, stemming
Co-Authors Aldo Sabathos Mananta Andrew Tanny Liem Anggreiny Rolangon arlius lalong Aror, Megalita Axcel Weku Diaprilia Sondakh Djimesha, Enrico S. Edson Yahuda Putra, Edson Yahuda Erienika Meiling Lompoliu Fini Keni Celsia Godlife Davidson Rellely Grady Wantah Green Ferry Mandias, Green Ferry Haryanto Reza Musak Jacquline Waworundeng, Jacquline Jebriella Bororing Joe Yuan Mambu Jonathan Leopold Kaunang, Fergie Joanda Lidya Chitra Laoh Makapedua, Marlivye Marchel Thimoty Tombeng Marcviero Patresse Matauseya Raymond Sambur Reynoldus Andrias Sahulata Semmy Wellem Taju stevanlee ngeloh Susi Susanti Tompunu, Alexander Valentine Lumingkewas Vinky Fransiscus Ong Wungkana, Cindy