DETEKSI KECURANGAN KEUANGAN DENGAN MENGGUNAKAN METODE RANDOM FOREST DAN XGBOOST PADA DATA YANG TIDAKSEIMBANG

Al Asqolani, Muhammad Alghifari (2025) DETEKSI KECURANGAN KEUANGAN DENGAN MENGGUNAKAN METODE RANDOM FOREST DAN XGBOOST PADA DATA YANG TIDAKSEIMBANG. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf - Published Version Download (1MB)
	Text (BAB I) BAB I.pdf - Published Version Download (238kB)
	Text (BAB II) BAB II.pdf - Published Version Restricted to Registered users only Download (754kB)
	Text (BAB III) BAB III.pdf - Published Version Restricted to Registered users only Download (425kB)
	Text (BAB IV) BAB IV.pdf - Published Version Restricted to Registered users only Download (725kB)
	Text (BAB V) BAB V.pdf - Published Version Download (90kB)
	Text (DAFTAR PUSTAKA - LAMPIRAN) Daftar Pustaka dan Lampiran.pdf - Published Version Restricted to Registered users only Download (367kB)
	Archive (SOURCE CODE) Sourcecode - 20.83.0564.zip - Published Version Restricted to Repository staff only Download (444B)
	Text (PUBLIKASI) Publikasi.pdf - Published Version Restricted to Repository staff only Download (577kB)

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.

Actions (login required)

View Item