Analisis komparatif algoritma One-Class Classification untuk teks iklan judi online berbasis Embedding IndoBERT

Septiansah, Muhamad Randi and Slamet, Cepy and Sandi, Gitarja (2025) Analisis komparatif algoritma One-Class Classification untuk teks iklan judi online berbasis Embedding IndoBERT. Informatics and Digital Expert (INDEX), 7 (2). ISSN 2775-2208

Preview

Text 98-104.pdf Download (747kB) | Preview

Abstract

Penyebaran iklan judi online di Indonesia terus meningkat meskipun berbagai upaya pemblokiran telah dilakukan. Iklan-iklan ini menyebar luas melalui media sosial dan situs daring, sehingga dibutuhkan sistem otomatis yang mampu menyaring konten iklan judi secara efektif. Penelitian ini mengusulkan pendekatan deteksi anomali satu kelas (one-class anomaly detection) sebagai metode penyaringan awal berbasis pembelajaran hanya dari data teks judi. Sebanyak 1.250 data teks iklan judi dikumpulkan dari berbagai platform, termasuk media sosial dan situs streaming, serta 200 data teks normal dari dataset publik digunakan untuk pengujian data seimbang. Untuk skenario tidak seimbang, digunakan 198.941 data teks normal dari berbagai dataset publik, yang mencakup jenis teks seperti komentar media sosial, berita, dan ulasan aplikasi. Untuk merepresentasikan teks, digunakan contextual embedding IndoBERT yang menghasilkan vektor fitur berdimensi 768. Selanjutnya, dilakukan analisis komparatif terhadap tiga algoritma deteksi anomali: One-Class SVM, Isolation Forest, dan Autoencoder. Pengujian dilakukan dalam dua skenario: data seimbang dan tidak seimbang. Pada skenario seimbang, OCSVM menunjukkan performa terbaik dengan F1-score mencapai 91%. Sementara itu, dalam skenario tidak seimbang yang meniru kondisi dunia nyata, model Autoencoder mendapatkan recall terbaik mencapai 94% dengan jumlah false positive yang sangat rendah. Hasil ini menunjukkan bahwa Autoencoder layak direkomendasikan sebagai sistem penyaringan awal sebelum proses klasifikasi lanjutan atau validasi manual dilakukan.

Actions (login required)

View Item