ANALISIS KOMPARATIF STACKING ENSEMBLE DEEP LEARNING DAN MACHINE LEARNING UNTUK DETEKSI KECURANGAN KARTU KREDIT PADA DATASET TIDAK SEIMBANG

Wijaya, Muhammad Aditya (2025) ANALISIS KOMPARATIF STACKING ENSEMBLE DEEP LEARNING DAN MACHINE LEARNING UNTUK DETEKSI KECURANGAN KARTU KREDIT PADA DATASET TIDAK SEIMBANG. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER - ABSTRAK) COVER.pdf - Published Version Download (771kB)
	Text (BAB I) BAB I.pdf - Published Version Download (279kB)
	Text (BAB II) BAB II.pdf - Published Version Restricted to Registered users only Download (849kB)
	Text (BAB III) BAB III.pdf - Published Version Restricted to Registered users only Download (556kB)
	Text (BAB IV) BAB IV.pdf - Published Version Restricted to Registered users only Download (1MB)
	Text (BAB V) BAB V.pdf - Published Version Download (70kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf - Published Version Restricted to Registered users only Download (290kB)
	Archive (SOURCE CODE) Sourcecode - 20.11.3338.zip Restricted to Repository staff only Download (69MB)
	Text (PUBLIKASI) Publikasi.pdf - Published Version Restricted to Repository staff only Download (652kB)

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

Actions (login required)

View Item