Maraknya penyebaran iklan lowongan pekerjaan melalui media sosial meningkatkan kebutuhan akan metode yang mampu membedakan iklan asli dan Fake Job Advertisement secara otomatis. Penelitian ini bertujuan merepresentasikan teks Fake Job Advertisement ke dalam bentuk numerik melalui tahapan text pre-processing dan pembobotan Term Frequency–Inverse Document Frequency (TF-IDF) sebagai dasar ekstraksi fitur, serta membandingkan efektivitas algoritma Bernoulli Naïve Bayes, Multinomial Naïve Bayes, dan K-Nearest Neighbor (K-NN) dalam mengklasifikasikan Fake Job Advertisement pada platform media sosial. Dataset yang digunakan terdiri atas 246 data yang diperoleh dari berbagai platform media sosial dan sumber sekunder, kemudian dilabeli ke dalam dua kelas, yaitu penipuan dan asli. Tahapan text pre-processing meliputi data cleaning, case folding, tokenization, normalization, stopword removal, dan stemming. Selanjutnya, data diekstraksi menggunakan TF-IDF dan dibagi ke dalam tiga skenario pelatihan dan pengujian, yaitu 90%:10%, 80%:20%, dan 70%:30%. Evaluasi dilakukan menggunakan confusion matrix berdasarkan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa algoritma K-Nearest Neighbor (K-NN) memberikan performa terbaik dibandingkan Bernoulli Naïve Bayes dan Multinomial Naïve Bayes. Performa terbaik diperoleh pada skenario 90% data latih dan 10% data uji dengan accuracy sebesar 92,00%, serta precision, recall, dan F1-score masing-masing sebesar 92,31%, sehingga K-NNmerupakan algoritma yang paling efektif dalam mengklasifikasikan Fake Job Advertisement pada platform media sosial.

Kata kunci: Fake Job Advertisement, Text Pre-processing, TF-IDF, Naïve Bayes, K-Nearest Neighbor (K-NN)