Abstract:
Media sosial telah menjadi infrastruktur kritis dalam diskursus publik, namun juga
rentan terhadap manipulasi oleh akun bot otomatis. Bot modern semakin canggih,
mampu meniru perilaku manusia dan beroperasi secara terkoordinasi, sehingga
menyulitkan metode deteksi konvensional. Penelitian ini mengusulkan
pendekatan hibrida untuk deteksi akun bot di media sosial dengan
menggabungkan algoritma Local Outlier Factor (LOF) sebagai metode deteksi
anomali berbasis kepadatan lokal dan CatBoost sebagai algoritma
klasifikasi gradient boosting yang unggul dalam menangani fitur kategorikal.
Pendekatan ini diimplementasikan dan diuji menggunakan dataset benchmark
TwiBot-22 yang memiliki struktur graf heterogen. Hasil eksperimen menunjukkan
bahwa model hibrida dengan parameter optimal k=50 pada LOF mencapai akurasi
74,48%, recall 89,81-90,53% untuk kelas bot, dan nilai AUC sebesar 0,826.
Analisis feature importance mengungkapkan bahwa fitur berbasis struktur relasi
sosial seperti followers_count dan listed_count lebih dominan dalam menentukan
klasifikasi dibandingkan atribut profil kosmetik. Meskipun kontribusi skor LOF
relatif
kecil
(3,11%),
integrasinya
terbukti
konsisten
meningkatkan
metrik recall dan Matthews Correlation Coefficient (MCC). Sistem yang
dikembangkan dalam bentuk aplikasi web ini mampu memberikan prediksi cepat
(<1 detik) dan menunjukkan potensi sebagai solusi deteksi bot yang efisien dan
adaptif.
