%0 Thesis
%9 S1 - Sarjana
%A Al Asqolani, Muhammad Alghifari
%A Universitas AMIKOM Yogyakarta,
%B Fakultas Ilmu Komputer
%D 2025
%F universitasamikomyogyakarta:31814
%I Universitas AMIKOM Yogyakarta
%K Deteksi Fraud, Ensemble Machine Learning, Random Forest,   XGBoost, Data Imbalanced, Fraud Detection,  Imbalanced Data.
%T DETEKSI KECURANGAN KEUANGAN DENGAN   MENGGUNAKAN METODE RANDOM FOREST DAN  XGBOOST PADA DATA YANG TIDAKSEIMBANG
%U https://eprints.amikom.ac.id/id/eprint/31814/
%X 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.