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

Institutions

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
Controls
|||
ALL TIME
JAN
FEB
MAR
APR
MAY
JUN
JUL
AUG
SEP
OCT
NOV
article

Sistem Deteksi Anomali Transaksi Keuangan Menggunakan Xgboost untuk Meningkatkan Akurasi Klasifikasi Fraud

Tata Sutabri Revina Agustin Rahma
Integrative Perspectives of Social and Science Journal
Imbalanced Data Classification Techniques
article

Sistem Deteksi Anomali Transaksi Keuangan Menggunakan Xgboost untuk Meningkatkan Akurasi Klasifikasi Fraud

Tata Sutabri Revina Agustin Rahma
article en

Abstract

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.

Integrative Perspectives of Social and Science Journal
Institut Teknologi Indonesia (ID)
Imbalanced Data Classification Techniques
AI Navigator

Ask Laika to Summarize, Analyze, and Connect papers live on the map.

Summarize Papers & Methodologies

Extract key findings, datasets, and comparative methods across publications.

Benchmark Rankings & Visual Analytics

Rank top research institutions, authors, funders, topics, and journals by Field-Weighted Citation Impact (FWCI) and paper volume with instant charts.

Connect Distant Disciplines

Bridge topological clusters on the map to find hidden collaborative intersections.

Laika access coming soon