TY  - THES
ID  - universitasamikomyogyakarta31814
N2  - 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.
Y1  - 2025/12/16/
UR  - https://eprints.amikom.ac.id/id/eprint/31814/
KW  - Deteksi Fraud
KW  -  Ensemble Machine Learning
KW  -  Random Forest
KW  -  
XGBoost
KW  -  Data Imbalanced
KW  -  Fraud Detection
KW  -   Imbalanced Data.
AV  - restricted
M1  - bachelor
A1  - Al Asqolani, Muhammad Alghifari
TI  - DETEKSI KECURANGAN KEUANGAN DENGAN 
MENGGUNAKAN METODE RANDOM FOREST DAN
XGBOOST PADA DATA YANG TIDAKSEIMBANG
PB  - Universitas AMIKOM Yogyakarta
ER  -