<![CDATA[Pertumbuhan pesat aktivitas perjudian online telah menimbulkan kekhawatiran signifikan karena dampak buruknya terhadap kesehatan mental, stabilitas finansial, dan fungsi sosial individu. Penelitian ini bertujuan untuk mengembangkan model klasifikasi berbasis pembelajaran mesin untuk membedakan tingkat risiko kecanduan judi di antara pengguna perjudian online dengan mengintegrasikan pola perilaku dan Problem Gambling Severity Index (PGSI). Pendekatan klasifikasi prediktif kuantitatif digunakan dengan data survei yang dikumpulkan dari 150 partisipan, di mana 138 respons awalnya dianggap valid. Setelah pra-pemrosesan data dan pemeriksaan kelengkapan, 3 respons dikeluarkan karena nilai yang hilang atau tidak konsisten, sehingga tersisa 135 sampel yang digunakan untuk pelatihan dan evaluasi model. Berdasarkan skor PGSI, tidak ada responden yang diklasifikasikan sebagai penjudi Non-Problem atau Low-Risk; oleh karena itu, tugas klasifikasi difokuskan secara eksklusif pada pembedaan individu Moderate-Risk dan High-Risk. Dua algoritma klasifikasi, Naïve Bayes dan Decision Tree, diimplementasikan dan dievaluasi menggunakan Stratified 5-Fold Cross-Validation. Kinerja model dinilai menggunakan Accuracy, Precision, Recall, F1-Score, Confusion Matrix, dan AUC-ROC. Hasil penelitian menunjukkan bahwa Naïve Bayes mengungguli Decision Tree, dengan akurasi 93% dan AUC-ROC sebesar 0,9601, sementara Decision Tree mencapai akurasi 91% dengan AUC-ROC sebesar 0,9021. Mengingat tidak adanya sampel Non-Problem dan Low-Risk, penelitian ini tidak merepresentasikan model deteksi dini untuk populasi umum, melainkan model stratifikasi risiko dalam sampel berisiko tinggi pengguna perjudian online. Temuan ini menyoroti potensi penggabungan indikator perilaku dan skor PGSI untuk mendukung pemantauan berbasis risiko serta strategi intervensi yang ditargetkan bagi individu dengan tingkat bahaya terkait perjudian yang tinggi. Kata kunci – judi online, klasifikasi resiko, naïve bayes, decision tree, pgsi]]>
Copyrights © 2026
