Perbandingan Akurasi Algortima RNN, LSTM, dan Bidirectional LSTM dalam Klasifikasi SMS

Abstract

Kebutuhan informasi ialah kebutuhan fundamental pada setiap orang untuk melakukan komunikasi. Terdapat beberapa cara untuk melakukan penyaluran informasi, salah satunya ialah melewati pengiriman Short Message Service (SMS). Meningkatnya penggunaan layanan SMS banyak dimanfaatkan oleh pihak-pihak tertentu yang tidak bertanggung jawab. Mereka mengirimkan pesan-pesan yang tidak bermanfaat dan merugikan disebut SMS spam atau teks pesan spam. Teks pesan spam yang dikirimkan melalui sms banyak yang mengandung konten ilegal, sehingga menimbulkan rasa tidak nyaman bagi penerima pesan tersebut. Pesan spam yang banyak beredar di Indonesia adalah pesan spam yang didalamnya terdapat pengumuman promosi, pengumuman hadiah, dan diskon toko atau pesan yang tidak memiliki makna yang lainnya. Pada penelitian ini digunakan metode Recurrent Neural Network (RNN), Long Short Term Memory (LSTM), dan Bidirectional Long Short Term Memory (Bi-LSTM) untuk mengklasifikasikan sms spam dan non spam. Data yang digunakan merupakan data SMS berbahasa indonesia. Tujuan dari penelitian ini yaitu membandingkan akurasi pada klasifikasi SMS spam. Hasil dari penelitian ini menunjukkan bahwa model Bi-LSTM yang telah dirancang mendapatkan hasil akurasi yang lebih baik daripada model yang lainnya.