<![CDATA[Maraknya promosi judi online di kolom komentar media sosial (YouTube, TikTok, Instagram) mendorong perlunya sistem moderasi otomatis yang mampu membedakan konteks bahasa secara akurat. Penelitian ini mengusulkan sistem deteksi berbasis Natural Language Processing dengan membandingkan empat algoritma supervised learning, yaitu Support Vector Machine (LinearSVC), Logistic Regression, Multinomial Naive Bayes, dan XGBoost, menggunakan ekstraksi fitur TF-IDF unigram-bigram. Untuk menekan angka False Positive pada kata kunci ambigu seperti “slot” dan “gacor”, diterapkan pendekatan Negative Sampling pada dataset campuran lintas platform sebanyak 12.917 data valid. Hasil eksperimen dengan Stratified 5-Fold Cross Validation dan rasio split 80:20 menunjukkan bahwa model berbasis pohon seperti XGBoost menghasilkan performa terendah (F1-Score 87,15%) akibat keterbatasan dalam memproses matriks fitur renggang berdimensi tinggi. Sebaliknya, model linier terbukti lebih adaptif, dengan Support Vector Machine (LinearSVC) sebagai model optimal yang meraih Accuracy 94,20%, Precision 93,29%, Recall 91,19%, F1-Score 92,23%, dan AUC 0,9820 pada data uji. Model terbaik ini kemudian diimplementasikan ke dalam purwarupa Arsitektur Sistem Deteksi Hybrid 4 tingkat berbasis aplikasi web menggunakan Gradio untuk mitigasi secara real-time. Hasil penelitian ini menegaskan bahwa kombinasi algoritma linier, ekstraksi fitur TF-IDF, dan Negative Sampling merupakan pendekatan yang efektif dan efisien untuk deteksi promosi judi online pada teks berbahasa Indonesia.]]>
Copyrights © 2026
