<![CDATA[Pertumbuhan transaksi kartu kredit di Indonesia yang pesat diiringi dengan peningkatan kasus penipuan membutuhkan sistem deteksi yang handal. Penelitian ini mengembangkan model deteksi penipuan dengan mengoptimalkan algoritma Random Forest melalui teknik RandomizedSearchCV. Dataset mencakup 690 transaksi dengan 16 fitur, termasuk 14 variabel prediktor dan label kelas (0 untuk transaksi normal, 1 untuk fraud). Tahapan penelitian meliputi eksplorasi data (EDA) untuk memahami karakteristik dataset, standarisasi fitur, pembagian data (80% pelatihan, 20% pengujian), serta implementasi model Random Forest dalam dua versi: tanpa tuning dan dengan optimasi parameter. Hasil penelitian menunjukkan peningkatan performa model setelah optimasi, dengan akurasi mencapai 90,58% pada data uji (naik dari 89,86%). Model yang dioptimasi juga berhasil meningkatkan precision deteksi fraud dari 0,94 menjadi 0,98 dan mengurangi kesalahan klasifikasi transaksi normal (false positive) dari 3 menjadi 1 kasus. Namun, terdapat sedikit penurunan recall kelas fraud dari 0,82 menjadi 0,80, yang mengindikasikan perlunya penyeimbangan antara akurasi dan sensitivitas deteksi. Temuan ini membuktikan bahwa tuning hyperparameter dengan RandomizedSearchCV dapat meningkatkan kinerja model Random Forest dalam mendeteksi penipuan kartu kredit, khususnya dalam meminimalkan kesalahan klasifikasi]]>
Copyrights © 2025
