<![CDATA[Maraknya bot otomatis pada platform Twitter menimbulkan tantangan signifikan terhadap integritas media sosial dan pengalaman pengguna. Metode deteksi bot tradisional sering kali kesulitan menghadapi perilaku bot yang semakin canggih, sehingga memerlukan pendekatan deteksi yang lebih maju. Penelitian ini mengusulkan model hybrid yang menggabungkan Local Outlier Factor (LOF) untuk deteksi anomali dan CatBoost untuk klasifikasi. Model dievaluasi pada dataset lebih dari 140.000 sampel Twitter, menggunakan 11 fitur yang mencakup karakteristik profil, metrik konten, dan skor anomali LOF sebagai fitur baru. Kinerja diukur menggunakan akurasi, presisi, recall, F1-score, dan AUC-ROC. Model hybrid yang diusulkan mencapai akurasi 87,5%, mewakili peningkatan 15,6% dibandingkan model dasar CatBoost saja. Fitur LOF menempati peringkat #2 dalam kepentingan fitur dengan kontribusi 15,6%. Validasi statistik melalui analisis bootstrap mengkonfirmasi signifikansi peningkatan (CI 95%: [0,875-0,877]). Integrasi deteksi anomali LOF dengan klasifikasi CatBoost memberikan pendekatan yang efektif untuk deteksi bot Twitter. Model ini menunjukkan kinerja unggul dan menawarkan penerapan praktis untuk sistem keamanan media sosial di dunia nyata.]]>
Copyrights © 2026
