UTS PIB (PENGENALAN INTELIGENSI BUATAN)

PENERAPAN METODE NAÏVE BAYES UNTUK SISTEM KLASIFIKASI SMS PADA SMARTPHONE ANDROID

Ebranda A.W (EbrandaAW@gmail.com), Novi Triana(Novi_triana13@yahoo.com)

Mardiani, S.Si, M.T.I. (Mardiani@stmik-mdp.net) Tinaliah, S.Kom. (Tinaliah@stmik-mdp.net) Jurusan Teknik Informatika

STMIK MDP

Abstrak: SMS merupakan media komunikasi yang paling sering digunakan walaupun sekarang Ponsel telah memiliki berbagai media komunikasi aplikasi Messenger. Maraknya aksi penipuan sekarang ini membuat masyarakat semakin tidak nyaman dengan menggunakan SMS. Maka aplikasi SMS spam ini yang fitur nya dapat menggolongkan atau mengklasifikasikan suatu SMS mana yang termasuk SMS spam dan bukan spam secara otomatis. Dengan pemilihan metode Naïve Bayes untuk melakukan proses klasifikasi diharapkan dapat mengklasifikasikan SMS dengan tingkat keakuratan yang tinggi sehingga spam SMS dapat  teridentifikasi dengan  baik. Metodologi   pengembangan   sistem  menggunakan   Microsoft   Solutions   Framework(MSF). Aplikasi ini dibuat dengan menggunakan sistem aplikasi dari eclipse. Dengan adanya aplikasi ini dapat memberikan kenyamanan pada pengguna dalam menggunakan SMS tanpa adanya gangguan dari SMS spam. Penerapan Naïve Bayes dapat mengklasifikasikan spam dengan baik dari data latih 80 SMS sehingga memperoleh tingkat akurasi 85,11%.

Kata kunci: SMS Spam, Android, Naïve Bayes, dan eclipse.

1   PENDAHULUAN

Short Message Service atau SMS merupakan media komunikasi yang paling sering digunakan. SMS telah menjadi bagian dari  aktivitas  keseharian  masyarakat, walaupun sekarang berbagai Ponsel telah memiliki  media  komunikasi  aplikasi Messenger seperti Whatsapp Messenger, Blackberry Messenger, Line Messenger dan banyak lagi lainnya.

Penggunaan SMS yang semakin luas ini dimanfaatkan oleh sebagian orang yang memiliki kepintaran untuk melakukan tindak kejahatan, seperti penipuan, ancaman, dan lain sebagainya melalui SMS. Hanya dengan bermodal ponsel dan pulsa, pelaku dapat melakukan aksinya dengan mudah dan merasa lebih aman karena akan sulit dilacak. Hal ini sulit dilacak, Karena setelah melakukan aksi penipu hanya tinggal membuang atau mematahkan  SIM  card  yang  dipakai. Maraknya    aksi    penipuan    sekarang    ini

membuat masyarakat semakin tidak nyaman dengan menggunakan SMS.

2   LANDASAN TEORI

2.1  SMS Spam

SMS Spam adalah Sebuah pesan teks (SMS)  yang  tidak  diminta  atau  tidak diinginkan oleh pengguna yang dikirim ke perangkat seluler, yang biasanya mengandung materi pemasaran (promosi),   penipuan, dan lain-lain, seperti email spam. Orang yang melakukan spam disebut spammer. Tindakan spam dikenal dengan nama spamming.

Spam dikirimkan  melalui pesan teks dengan biaya operasional yang sangat rendah untuk mencapai para pelanggan-pelanggan yang  diinginkan.  Karena  hambatan  masuk yang  rendah,  maka  banyak  spammers  yang muncul dan jumlah pesan yang tidak diminta menjadi   sangat  tinggi.   Akibatnya,   banyak

pihak   yang   dirugikan.   (Karimul   Makhtidi

2012).

2.2  Java

Java dikenal sebagai pemrograman tingkat yang berorientasi objek, atau lazim disebut dengan istilah Object-Oriented Programming(OOP).

Java disukai semua segmen karena mencakup  seluruh  aspek  dari  pemrograman

desktop hingga pemrograman mobile (Mobile

Programming)  dan  java  juga  terkenal portable, karena seluruh sistem operasi dapat menjalankan  java,  sistem  operasi  itu  antara lain window, linux, dos, unix dan lain-lain (Yuniar 2005, h. 2).

2.3  Android

Android adalah sebuah open source software  toolkit  untuk  perangkat  bergerak yang dibuat oleh Google yang mencakup sistem operasi, middleware dan key applications. Android SDK menyediakan tool dan API           (Application Programming Interface) yang diperlukan untuk mulai mengembangkan aplikasi pada platform Android menggunakan bahasa pemrograman Java.

Platform Android pertama kali dikembangkan oleh perusahaan Android Inc

yang merupakan sebuah perusahaan baru yang bergerak  di  bidang  perangkat  lunak  untuk

ponsel. Pada tahun 2005 Android Inc dibeli oleh Google. Pada saat perilisan perdana Android, 5 November 2007, Android bersama

Open      Handset      Alliance      mendukung pengembangan      standar      terbuka      pada

perangkat selular.

Hingga  saat  ini,  terdapat  beberapa versi dari sistem operasi Android, antara lain:

a) Android Versi 1.1

b) Android Versi 1.5 (Cupcake)

c) Android Versi 1.6 (Donut)

d) Android Versi 2.1 (Eclair)

2.4  Pemrograman Android

2.3.1  JDK (Java Development Kit)

JDK adalah sebuah perangkat peralatan yang digunakan untuk membangun perangkat lunak dengan menggunakan bahasa pemrograman   Java.   JDK   berjalan   diatas sebuah virtual machine yang dinamakan JVM (Java Virtual Machine). Dokumentasi JDK beris gembang, referensi halaman untuk i spesifikasi API, deskripsi fitur, panduan pen perkakas JDK dan utilitas, demo, dan link ke informasi terkait.

2.3.2  Eclipse

Eclipse adalah IDE (Integrated Development  Environment)  merupakan aplikasi pengembangan Java/Android, Eclipse memiliki plugins yang dapat membuat project yang berbasis Android. ADT (Android Development Tools) adalah plugin yang menghubungkan antara IDE Eclipse dan Android SDK, (Safaat H 2011, h. 16).

2.3.3   SQLite

SQLite adalah database yang sangat ringan dan bisa ditangani oleh android tanpa menggunakan tool lain. Database SQLite di android bisa langsung dipakai tanpa memerlukan setup database atau administrasi.

2.3.4  Naïve Bayes

Naïve Bayes adalah metode Bayesian Learning  yang  paling  cepat  dan  sederhana. Hal ini berasal dari teorema Bayes dan hipotesis kebebasan, menghasilkan klasifier statistik   berdasarkan   peluang.   Ini   adalah teknik  sederhana,  dan  harus  digunakan sebelum mencoba metode yang lebih kompleks. Naïve Bayes dapat dirumuskan sebagai berikut :

𝐏(𝐁|𝐀)𝐏(𝐀)

e) Android Versi 2.2 (Froyo: Frozen

Yoghurt)

P(A|B)=

.......................(1)

𝐏(𝐁)

f)  Android Versi 2.3 (GingerBread)

g) Android Versi 3.0 (HoneyComb)

h) Android Versi 4.0 (Ice Cream Sandwich)

i)  Android Versi 4.1(Jelly Bean)

Pada proses pengklasifikasian SMS, maka pendekatan Bayes akan menyeleksi kategori teks yang memiliki probabilitas yang paling  tinggi,  nilai  P(B)  dapat  di  abaikan

karena nilainya adalah konstan untuk semua nilai P(A) dan karena atributnya tidak saling terkait  maka  didapatlah P(B|A)*P(A)maksimum yang didefinisikan sebagai berikut :

P(A|B)= argmax P(B|A)*P(A) .....(2)

Dengan perhitungan diatas kita dapat membandingkan nilai probabilitas mana yang paling tinggi.

2.3.5  Klasifikasi SMS

Cara  untuk  mengukur  kinerja  dari suatu  klasifier  teks  secara  efektif  terhadap suatu term yaitu dengan mengukur recall (r) dan precision (p). jika jumlah keputusan yang true positive, false positive, dan false negative dianggap sebagai tp, fp, dan fn, dengan demikian recall (r) dan precision (p) dapat didefinisikan sebagai berikut :

2.4  Metodologi MSF

Microsoft  Solutions  Framework (MSF) adalah “serangkaian prinsip, model, disiplin, konsep, dan tuntunan untuk membuat solusi  IT”  yang  diciptakan  oleh  Microsoft. Bisa dibilang MSF adalah sebuah Software Development   Life-Cycle   (SDLC).   Namun MSF tidak hanya dapat diterapkan pada pembuatan  aplikasi,  selain  itu  dapat diterapkan pada proyek-proyek IT lain seperti pembuatan infrastruktur dan jaringan. Ini karena MSF tidak hanya mencakup perekayasaan perangkat lunak namun hampir mencakup   pembuatan   sebuah   proyek   IT secara keseluruhan. Karena itulah MSF tidak disebut sebagai sebuah Metodologi (seperti Metodologi Waterfall, Metodologi Spiral, dll) namun   diberi   nama   Framework.   Dalam process model ini, memilki lima fase yaitu :

2.4.1  Envisioning Phase

𝐩 =     𝐭𝐩    , 𝐫 =   𝐭𝐩  

..................... (3)

Fase  dimana  visi,  misi,  tujuan  dan

𝐭��+𝐟𝐩

𝐭��+𝐟𝐧

batasan dari proyek ditetapkan secara formal dalam     sebuah     Vision/Scope     Document.

True positive dapat diartikan sebagai

pesan yang sah yang dianggap sebagai pesan yang sah, false positive adalah pesan yang sah dianggap sebagai pesan spam, dan false negative merupakan pesan spam.

Setelah kita mendapatkan definisi dari setiap  precision  dan  recall  maka  kita  dapat

menghitung    akurasinya    dengan    definisi

sebagai berikut :

Akurasi =         𝐭𝐩 + 𝐭𝐩       ................. (4)

𝐭�� + 𝐭�� + 𝐟��+𝐟𝐧

2.3.6  Android SDK

Android SDK adalah tools API (Application Programming Interface) yang diperlukan untuk mulai mengembangkan aplikasi pada platform android menggunakan bahasa pemrograman Java. Android SDK menyediakan tools dan api untuk pengembangan platform aplikasi android dengan   menggunakan   bahasa  pemograman java (Mulyadi, 2010).

Vision/Scope   Document   ini   bisa   dibilang

dokumen     yang     paling     penting     dalam keseluruhan dokumen proyek.

2.4.2  Planning Phase

Melakukan analisis sistem dan membuat rancangan awal tentang penerapan metode Naïve Bayes untuk sistem Klasifikasi SMS pada Smartphone Android. Selain itu dalam tahap ini sistem akan dirancang pula bagian interaksi manusianya sehingga dapat mudah dalam penggunaanya (user friendly) serta, penulis merancang analisis kebutuhan dan membuat sistem dengan cara menggambarkan melalui model use case.

2.4.3  Developing Phase

Fase   ini   mulai   merancang   sistem secara utuh, merancang desain SMS pada smartphone Android dengan menggunakan Eclipse juno, melakukan pengkodean program dengan menggunakan SDK pada platform android dengan menggunakan bahasa pemrograman Java, dan melakukan pengkodean  program  desain  aplikasi  pada

smartphone  Android  dengan  menggunakan

Eclipse(IDE).

2.4.4  Stabilizing Phase

Fase dimana produk diuji coba fungsinya dalam berbagai skenario, untuk menemukan  dan  mengatasi  error,  bug, ataupun faktor-faktor lain yang dapat mempengaruhi fungsi dan performance dari produk.

2.4.5  Deploying Phase

Fase dimana produk dikirim, dipasang dan  digunakan  oleh  customer,  untuk kemudian dilakukan review atas segala yang telah dilakukan selama pengerjaannya, serta kemungkinan langkah pengembangan selanjutnya (Microsoft Corporation, 2003).

3   PERANCANGAN

3.1  Diagram Use Case

Diagram use case merupakan gambaran dari interaksi antara komponen- komponen suatu sistem yang akan dibangun. Berikut ini adalah desain use case diagram perancangan aplikasi :

Gambar 1: Diagram Use Case Aplikasi

Kelas yang dipakai dalam pengklasifikasian SMS Spam ini ada dua macam, yaitu kelas spam dan kelas nonspam. Tahapan dalam klasifikasi terdiri dari proses pengolahan data latih dan proses pengolahan data uji. Data latih yang digunakan sebanyak

80   dokumen   SMS   dengan   SMS   spam

sebanyak 40 dokumen dan SMS nonspam sebanyak   40   dokumen.   Seluruh   dokumen SMS menggunakan Bahasa Indonesia. Berikut ini adalah tahapan klasifikasi SMS Spam :

1.  Tahap praproses data diawali dengan mengubah   dokumen   SMS   (korpus) yang   telah   dikumpulkan   ke   dalam bentuk dokumen.

2.   Tahap Tokenisasi Seluruh korpus (kata dasar  yang  telah  ada  akan  dicek  di

kamus yang telah ada) masuk ke dalam

proses tokenisaasi untuk diambil token atau kata-kata yaitu kata yang dibatasi

oleh  whitespace  dan  semua  karakter

kecuali huruf dan angka, seperti: , . ? ! /

' " : ; & ( ) + - *.

3.   Tahap  Hapus  Stopwords  Penghapusan

stopwords dilakukan pada kata yang berfungsi sebagai kata depan dan singkatan dari kata depan itu sendiri. Stopwords yang digunakan pada sistem ini dibatasi untuk kata-kata: di/d, ke/k, dari/dr,  pada/pd,  dan/n,  atau/or, yang/yg, dengan/dgn, ini/ni/ne, itu/tu, juga/jg, untuk/utk/u, akan/kan/kn dan tetapi/tapi/tp.

4. Tahap        Stemming        dilakukan penghapusan prefiks dan sufiks pada kata yang mengandung imbuhan untuk mendapatkan   kata   dasar.   Penentuan kata dasar juga mengacu kepada kamus kata dasar yang diperoleh dari KBBI (Kamus Besar Bahasa Indonesia) yang jumlah keseluruhan-nya 28.526 kata. Untuk mengetahui suatu kata terdapat pada KBBI, digunakan metode string matching, karena hasil tokenisasi dan kata dasar dalam KBBI sama-sama dalam bentuk lowercase. Berikut Flowchart dari algoritme stemming, seperti yang terlihat pada Gambar.

Gambar 2: Flowchart Diagram Stemming

3.1.1  Flowchart  Diagram Aplikasi

Membuat rancangan prosedur awal dalam proses menjalankan aplikasi dalam bentuk  diagram alir  (flowchart).  Berikut  ini merupakan  flowchart  yang  menggambarkan alir prosedur untuk menjalankan aplikasi.

Gambar 3: Flowchart Diagram Menu Awal

3.1.2  Flowchart  Diagram Spam

Sistem SMS Spam detector ini terbagi menjadi dua alur, yaitu alur offline dan alur online. Alur offline adalah tahapan proses klasifikasi yang dilakukan diluar perangkat mobile Android sedangkan alur online itu dilakukan di perangkat mobile atau emulator Android.

Gambar 4: Flowchart Diagram Spam

3.2  ER-Diagram

ER-Diagram pada sistem yang diusulkan untuk bertujuan memperjelas hubungan di antara tempat penyimpanan, seperti yang ditunjukan pada gambar ER- Diagram dibawah ini :

Gambar 5: ER-Diagram Aplikasi

4   RANCANGAN ANTARMUKA

4.1  Tampilan Menu Utama

Pada   Menu   Utama   ini,   pengguna dapat mengakses beberapa menu pilihan yang terdapat   pada   menu   utama   seperti   yang terlihat pada gambar,

Gambar 6: Menu Utama

Dari menu utama ini ada beberapa tampilan menu pilihan yang dapat pilih oleh pengguna.  Diantaranya  Inbox,  Spam, Whitelist,   Blacklist,   FAQ,   Petunjuk,   dan About us.

4.2  Tampilan Menu Spam

Pada tampilan Spam dibawah ini menampilkan SMS Spam yang sudah diklasifikasi dengan baik seperti yang terlihat pada gambar.

Gambar 7: Menu Spam

4.3  Tampilan Menu Whitelist

Pada Menu Whitelist pengguna dapat menambahkan nomor yang diinginkan seperti yang terlihat pada gambar,

Gambar 8: Menu Whitelist

Pada button pada gambar menu whitelist  digunakan  untuk  memasukkan nomor yang diizinkan oleh pengguna.

4.4  Tampilan Menu Blacklist

Pada Menu Blacklist pengguna dapat menambahkan  nomor  yang tidak diinginkan seperti yang terlihat pada gambar,

Gambar 9: Menu Blacklist

Pada button gambar menu blacklist digunakan untuk memasukkan/menambahkan nomor  yang  tidak  diizinkan  oleh  pengguna jadi  setiap  SMS  yang  masuk  dari  nomor

tersebut akan masuk ke aplikasi ini meskipun

SMS nya bukan SMS Spam.

Kesimpulan atau tanggapan

a)  Telah dihasilkan sistem deteksi SMS spam pada smartphone Android untuk Bahasa Indonesia  dengan  baik  dan  terbukti  dari data latih yang digunakan dan cara menentukan SMS Spam dan bukan Spam ada di bab 3.

b) Setelah  melakukan  pengujian  dengan  80

SMS, 40 SMS Spam dan 40 SMS bukan Spam  telah  dihasilkan  precision  86,96% dan   recall   83,33%   yang   berarti   nilai

akurasi juga 85,11%.

c) Kinerja   klasifikasi   pada   sistem   cukup bagus karena aplikasi dapat mengklasifikasikan SMS masuk dengan waktu yang relatif singkat.

d) Dari Hasil kuisioner yang telah didapatkan bahwa pengguna dapat menggunakan aplikasi  Spam  ini  secara  mudah  karena fitur petunjuk penggunaan sudah sangat jelas.

Saran

a)  Aplikasi   ini   dapat   di   terapkan   pada platform mobile yang lain seperti blackberry, windows phone, dan IOS agar lebih banyak pengguna yang dapat menggunakan model aplikasi ini sehingga banyak yang dapat mengembangkan aplikasi ini.

b) Menambahkan   menu   penyaringan   SMS masuk berdasarkan kata kunci yang telah ditentukan

c)  Memperbarui user interface agar pengguna lebih  tertarik  menggunakan  aplikasi  ini serta menambahkan fitur-fitur yang dapat memperbaiki kinerja aplikasi ini. Seperti : memindahkan nomor yang di blacklist ke whitelist       atau       sebaliknya,       serta

memasukkan nomor dari sms atau spam ke blacklist atau whitelist.

referensi

[1]   Ahonen, T., Moore., A,. 2010, “Sms Text Message”, Diambil 7 April 2013, dari http://edition.cnn.com.

[2]   A.S., Rosa., Shalahudin M. 2011, Modul Pembelajaran Rekayasa Perangkat Lunak., Modula, Bandung.

[3]   Berry  MW.,  Kogan  J.     2010,     Text Mining: Applications and Theory. Chichester: John Wiley & Sons.

[4] Burnette, E.   2008,   Hello   Android, Introducing Google’s Mobile Development Platfo m. Dallas: Pragmatic Bookshelf. Hal 30-34.

[5] Darujati  C.,  Gumelar  B.A.  2012, Pemanfaatan Teknik Supervised untuk Klasifikasi Teks Berbahasa Indonesia, Fasilkom  Universitas  Narotama Surabaya.

[6] Dyah Diwasasri, Ratnaningtyas. 2011, Aplikasi Teorema Bayes dalam Penyaringan Email, Sekolah Teknik Elektro  dan  Informatika  Institut Teknologi Bandung.

[7]   Johanes,     Andria.     2007,  Penerapan teknik Email Filtering Berbasis Ciri dan Jaringan Syaraf Tiruan Propagasi Balik, Fasilkom UI.

[8] Kevin,     C.,     2005, Nearst-neighbor Searching     and Met-ric     Space

Dimensions. Nearest-Neighbor Methods for Learning and vision : Theory and Paractice.

[9]  Kusrini, 2009, Algoritma Data Mining, Andi Offset, Yogyakarta.

[10] Microsoft Corporation 2003, “Microsoft Solution Framework White Paper”, Microsoft, United States.

[11] Narbuko,    C.,         2003,    Metodologi

Penelitian, Bumi Aksara, Jakarta.

[12] Nugroho,  P.,  2012,  Klasifikasi  Email Spam Metode Naïve Bayes Menggunakan Java Programming.

[13] Palupiningsih, P., 2011. Technical Paper On Data Mining. Program S2 Ilmu Komputer Institut Pertanian Bogor.

[14] Powers,  Marlys  Keeton,  2004,  MSF  a pocket  Guide,  Diambil  7  Maret  2013, dari http://www.itiltrainers.com.

[15] Rahmawati,     Risna,     2012,     Analisis Peringkas Teks Berdasarkan Query Menggunakan Metode Enumerasi, Diambil 3 Mei 2013, dari http://digilib.ittelkom.ac.id

[16] Rish,  I.,  2001,  "An  Empirical  Study  of

The Naive Bayes Classifier", IJCAI 2001

Workshop   on   Empirical   Methods   in

Artificial Intelligence.

[17] Suryabrata,     S.,     2008,     Metodologi

Penelitian, Rajawali Pers, Jakarta.

[18] Sutedjo,  B.,  2004,  Algoritma  & Teknik

Pemrograman, Andi Offset, Yogyakarta.

[19] Wibowo,      Ari,      2011,      Pengujian Kerelevanan Sistem Temu Kembali Informasi, Diambil 3 Mei 2013, dari http://p2m.polibatam.ac.id

[20] Wijaya  H.,  Boby,  Ajie,  H.,  Hafid  M.,

2011,   Microsoft   Solution   Framework,

Diambil       7       April       2013,       dari http://www.docstoc.com.

[21] Zhang,  H,  “The  Optimality  of  Naïve Bayes”, Diambil 26 Februari 2013, dari http://www.cs.unb.ca