ANALISIS PERBANDINGAN ALGORITMA RANDOM FOREST, XGBOOST, DAN LIGHTGBM UNTUK DETEKSI AKUN PALSU PADA PLATFORM X (TWITTER)

Penyebaran akun palsu di platform X (Twitter) telah menjadi tantangan serius bagi keamanan siber dan integritas informasi digital. Akun-akun tersebut sering kali digunakan untuk menyebarkan misinformasi dan memanipulasi opini public. Penelitian ini bertujuan untuk membandingkan performa tiga algoritma machine learning berbasis pohon (tree-based), yaitu Random Forest, XGBoost, dan LightGBM, dalam mendeteksi akun palsu pada platform X (Twitter) menggunakan dataset MIB (Machine Intelligence and Bot detection). Tahapan penelitian meliputi pra-pemrosesan data, seleksi fitur menggunakan SelectKBest dengan mutual_info_classif, penanganan ketidakseimbangan kelas menggunakan SMOTE, optimasi hyperparameter menggunakan GridSearchCV, serta evaluasi menggunakan metrik Accuracy, Precision, Recall, F1-Score, dan ROC-AUC. Hasil penelitian menunjukkan bahwa Random Forest merupakan model dengan performa terbaik secara keseluruhan, diikuti LightGBM dan XGBoost. Meskipun demikian, selisih performa antar ketiga model sangat kecil sehingga ketiganya dapat dinyatakan memiliki kemampuan yang setara dan optimal dalam mendeteksi akun palsu. Seluruh model tidak mengalami overfitting dan termasuk dalam kategori Excellent berdasarkan interpretasi nilai ROC-AUC, sehingga ketiga algoritma terbukti layak digunakan sebagai sistem deteksi akun palsu pada platform X (Twitter).