<![CDATA[Peningkatan e-commerce telah menyebabkan peningkatan aktivitas penipuan, seperti pencurian identitas dan transaksi palsu, yang menimbulkan risiko signifikan terhadap keamanan transaksi online. Penelitian ini mengusulkan kerangka kerja hybrid yang menggabungkan Autoencoder (AE) untuk reduksi dimensi dan representasi laten data, serta Transformer untuk menangkap ketergantungan global dan lokal melalui mekanisme self-attention. Pendekatan ini dirancang untuk mengatasi keterbatasan metode tradisional dalam mendeteksi pola data kompleks dan meningkatkan kinerja deteksi anomali. Evaluasi menggunakan dataset transaksi e-commerce menunjukkan bahwa Hybrid AE-Transformer mencapai akurasi sebesar 95,2%, precision sebesar 89,0%, recall sebesar 74,0%, F1 score sebesar 80,0%, dan AUC sebesar 82,0%. Model ini menunjukkan peningkatan precision sebesar 12,0%, recall sebesar 7,0%, F1 score sebesar 8,0%, dan AUC sebesar 1,0% dibandingkan model terbaik lainnya seperti Ensemble. Validasi statistik melalui Uji Friedman dan Uji T-Test mengonfirmasi bahwa Hybrid AE-Transformer secara signifikan mengungguli model konvensional seperti DNN, LSTM, dan RNN dalam mendeteksi anomali pada transaksi e-commerce.]]>
Copyrights © 2025
