DETEKSI KECURANGAN KEUANGAN DENGAN MENGGUNAKAN METODE RANDOM FOREST DAN XGBOOST PADA DATA YANG TIDAKSEIMBANGMuhammad AlghifariAl AsqolaniauthorPenelitian 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.000 Ilmu komputer, informasi dan pekerjaan umum003 Sistem-sistem2025-12-16Universitas AMIKOM Yogyakarta;Fakultas Ilmu KomputerThesis