Ketidakseimbangan data menjadi tantangan utama dalam deteksi transaksi penipuan karena jumlah transaksi legal jauh lebih dominan. Penelitian ini membandingkan efektivitas metode ADASYN dan CTGAN dalam menyeimbangkan data dan meningkatkan performa model klasifikasi. Dataset berisi 6,3 juta transaksi dianalisis melalui preprocessing, seleksi fitur XGBoost, stratified sampling, balancing, dan modeling menggunakan Decision Tree, Random Forest, serta MLP Classifier. Hasil menunjukkan bahwa meskipun kedua metode meningkatkan distribusi kelas, performa metrik Precision dan F1-Score masih belum optimal. Diperlukan penerapan hyperparameter tuning serta eksplorasi metode balancing lain untuk hasil yang lebih baik.
                        
                        
                        
                        
                            
                                Copyrights © 2025