Peningkatan Performansi Deteksi Pesan Spam Melalui Optimasi LSTM Berbasis Word2Vec dan Grid Search

Abstract

Pertumbuhan layanan pesan singkat dan aplikasi perpesanan instan pada era digital saat ini telah meningkatkan akses komunikasi masyarakat secara signifikan. Namun, kemudahan tersebut diiringi dengan tantangan baru berupa meningkatnya pesan spam yang dapat mengganggu kenyamanan serta berpotensi mengancam keamanan data pengguna. Penelitian ini mengusulkan pendekatan Long Short-Term Memory (LSTM) dengan Word2Vec dan grid search. Dalam arsitektur ini, Word2Vec berfungsi sebagai teknik word embedding untuk menciptakan representasi vektor kata yang informatif, LSTM digunakan sebagai model Deep Learning untuk mempelajari pola ketergantungan jangka panjang pada teks, dan grid search diterapkan sebagai teknik hyperparameter tuning untuk mencari kombinasi parameter terbaik guna menghasilkan model yang optimal. Tujuan dari penelitian ini adalah melakukan komparasi kinerja antara model LSTM sebelum dan sesudah dioptimasi menggunakan grid search pada dataset yang terdiri dari 1.143 data. Hasil penelitian menunjukkan bahwa model LSTM yang telah dioptimasi mengalami peningkatan kinerja dibandingkan model sebelum optimasi, dengan kenaikan precision sebesar 0,0426, f1-score sebesar 0,0228, dan accuracy sebesar 0,0261. Dengan demikian, penerapan teknik optimasi grid search terbukti efektif dalam meningkatkan kemampuan model LSTM untuk mendeteksi pesan spam dengan lebih tepat dan akurat.