@phdthesis{universitasamikomyogyakarta32377,
           title = {ANALISIS KOMPARATIF STACKING ENSEMBLE DEEP
LEARNING DAN MACHINE LEARNING UNTUK DETEKSI
KECURANGAN KARTU KREDIT PADA DATASET TIDAK
SEIMBANG},
           month = {September},
          school = {Universitas AMIKOM Yogyakarta},
          author = {Muhammad Aditya Wijaya},
            year = {2025},
        keywords = {Credit Card Fraud Detection, Deep Learning, Stacking Ensemble,
Machine Learning, SMOTEENN, Imbalanced Dataset.},
        abstract = {Penelitian ini bertujuan mengevaluasi kinerja model deep learning dan machine
learning, serta mengkaji efektivitas stacking ensemble dengan Multi-Layer
Perceptron (MLP) sebagai meta-learner dalam mendeteksi penipuan kartu kredit
pada dataset dengan ketidakseimbangan kelas tinggi. Model yang diuji meliputi
LSTM (Long Short-Term Memory) dan GRU (Gated Recurrent Unit) untuk
menangkap pola temporal, serta Random Forest dan AdaBoost sebagai pembanding
berbasis decision tree. Dataset diambil dari platform Kaggle yang telah melalui
Principal Component Analysis (PCA) pada fitur V1?V28, ditambah fitur asli Time
dan Amount. Tahapan penelitian meliputi eksplorasi data, analisis korelasi, deteksi
outlier dan skewness, penghapusan duplikasi, serta penyeimbangan kelas
menggunakan undersampling dan SMOTEENN. Model dilatih dan diuji
menggunakan metrik akurasi, precision, recall, dan F1-score, serta dievaluasi
dengan confusion matrix, ROC curve, dan Precision-Recall curve. Hasil pengujian
menunjukkan GRU unggul dengan akurasi 98,42\%, precision 98,95\%, recall
97,93\%, dan F1-score 98,43\%, melampaui LSTM yang mencatat akurasi 96,85\%.
Random Forest sedikit lebih baik daripada AdaBoost (97,38\% vs 97,12\%) dalam
kestabilan pada data tidak seimbang. Stacking ensemble menghasilkan akurasi ratarata

98,17\% dan meningkatkan stabilitas prediksi meski tidak secara signifikan
mengungguli GRU. Kesimpulannya, GRU direkomendasikan sebagai model utama
karena akurasi dan kestabilannya, sementara stacking ensemble dapat menjadi
alternatif untuk meningkatkan konsistensi hasil. Random Forest dan AdaBoost
tetap relevan sebagai baseline yang ringan secara komputasi. Temuan ini
memberikan kontribusi praktis bagi pengembangan sistem deteksi fraud yang
akurat, stabil, dan adaptif terhadap variasi pola transaksi dalam industri perbankan
dan layanan pembayaran digital},
             url = {https://eprints.amikom.ac.id/id/eprint/32377/}
}