ANALISIS PERBANDINGAN RANDOM FOREST DAN SUPPORT VECTOR MACHINE DALAM KLASIFIKASI TINGKAT RISIKO KECANDUAN JUDI ONLINE BERBASIS K-MEANS CLUSTERING PADA POLA TRANSAKSI PENGGUNA

Abstract

Perkembangan teknologi digital telah meningkatkan akses publik ke berbagai platform hiburan daring, termasuk judi online, yang berpotensi menimbulkan risiko kecanduan dengan dampak negatif pada kondisi finansial, psikologis, dan sosial pengguna. Penelitian yang secara spesifik menganalisis tingkat risiko kecanduan judi online berdasarkan pola transaksi masih sangat terbatas, khususnya yang menggabungkan teknik clustering dan klasifikasi secara bersamaan. Penelitian ini bertujuan menganalisis dan membandingkan performa algoritma Random Forest dan Support Vector Machine (SVM) dalam mengklasifikasikan tingkat risiko kecanduan judi online berdasarkan pola transaksi pengguna. Data dari 2.286 pengguna terlebih dahulu dikelompokkan menggunakan K-Means Clustering (k=2) untuk menghasilkan label kelas, kemudian diklasifikasikan menggunakan kedua algoritma dengan penanganan ketidakseimbangan kelas melalui parameter class_weight='balanced'. Hasil evaluasi menunjukkan bahwa Random Forest mencapai akurasi 98,47%, mengungguli Support Vector Machine (SVM) dengan kernel RBF yang mencapai 98,03%. Random Forest juga unggul pada 7 dari 9 metrik evaluasi dan menghasilkan lebih sedikit kesalahan prediksi (7 dari 458 data uji) dibandingkan Support Vector Machine (SVM) (9 dari 458). Random Forest direkomendasikan sebagai model yang lebih efektif untuk klasifikasi risiko kecanduan judi online berbasis pola transaksi pengguna.