@phdthesis{universitasamikomyogyakarta31814,
           title = {DETEKSI KECURANGAN KEUANGAN DENGAN 
MENGGUNAKAN METODE RANDOM FOREST DAN
XGBOOST PADA DATA YANG TIDAKSEIMBANG},
            year = {2025},
          author = {Muhammad Alghifari Al Asqolani},
           month = {December},
          school = {Universitas AMIKOM Yogyakarta},
             url = {https://eprints.amikom.ac.id/id/eprint/31814/},
        keywords = {Deteksi Fraud, Ensemble Machine Learning, Random Forest, 
XGBoost, Data Imbalanced, Fraud Detection,  Imbalanced Data.},
        abstract = {Penelitian ini bertujuan mendeteksi fraud dengan teknik ensemble machine 
learning, khususnya Random Forest (RF) dan Extreme Gradient Boosting
(XGBoost), diterapkan pada dataset Credit Card Fraud Detection Kaggle (284.807
sampel, 0,17\% fraud). Proses metodologi mencakup preprocessing melalui
normalisasi dan Synthetic Minority Over-sampling Technique (SMOTE) untuk
menangani ketidakseimbangan, diikuti pelatihan model menggunakan Scikit-learn
serta XGBoost di Python. RF efektif mencegah overfitting lewat bagging,
sementara XGBoost unggul dalam optimasi gradient untuk data skala besar.
Evaluasi dilakukan dengan metrik Area Under the Curve (AUC-ROC), precision,
recall, dan F1-score melalui cross-validation. Hasil menunjukkan XGBoost lebih
superior (AUC-ROC 0,98; precision 0,95; recall 0,92; F1-score 0,93) dibanding RF
(0,96; 0,92; 0,89; 0,90), berkat ketangguhannya terhadap noise. Penelitian
menyimpulkan XGBoost sebagai metode optimal untuk data imbalanced, dengan
saran integrasi SMOTE guna tingkatkan recall hingga 15\%. Kontribusi teoritis
memperkaya literatur machine learning di keamanan siber (Al-Hashedi \&
Magalingam, 2021), sementara manfaat praktisnya mengurangi kerugian bagi bank
dan fintech, serta mendukung pengembangan model real-time.}
}