Sistem Deteksi Anomali Transaksi Keuangan Menggunakan Xgboost untuk Meningkatkan Akurasi Klasifikasi Fraud
Penipuan (fraud) pada transaksi keuangan elektronik menimbulkan kerugian besar, sedangkan proporsi fraud yang sangat kecil membuat akurasi menyesatkan. Penelitian ini mengembangkan sistem deteksi anomali transaksi keuangan berbasis Extreme Gradient Boosting (XGBoost) pada dataset Credit Card Fraud Detection (284.807 transaksi, 492 fraud). Tahapan meliputi praproses RobustScaler, pembagian data stratified 70:15:15, penanganan ketidakseimbangan kelas dengan scale_pos_weight dan SMOTE, penyetelan hyperparameter berbasis PR-AUC, serta optimasi threshold pada data validasi. XGBoost dibandingkan dengan Logistic Regression dan Random Forest. Pada data uji, XGBoost dengan pembobotan kelas mencapai F1-Score 0,8421 dan PR-AUC 0,8070, lebih tinggi daripada Random Forest (0,8189 dan 0,7892) dan Logistic Regression (0,1036 dan 0,6808), sedangkan SMOTE tidak memberi peningkatan. Penyetelan dan optimasi threshold menaikkan Precision menjadi 0,9016 tetapi tidak melampaui model dasar. Pembobotan kelas menjadi sumber peningkatan utama.
Authors
- Tata Sutabri Revina Agustin Rahma
Institutions
- Institut Teknologi Indonesia (ID)
Publication Details
- Journal
- Integrative Perspectives of Social and Science Journal
- Published
- 2026-11-17
- Primary Topic
- Imbalanced Data Classification Techniques
- Type
- article
- Field-Weighted Citation Impact
- 0.00