<![CDATA[Ketidakseimbangan data merupakan salah satu tantangan utama dalam pengembangan sistem deteksi penipuan transaksi kartu kredit. Model pembelajaran mesin cenderung bias terhadap kelas mayoritas, sehingga sulit mendeteksi transaksi fraud yang tergolong sebagai kelas minoritas. Penelitian ini bertujuan untuk meningkatkan kinerja deteksi fraud dengan mengimplementasikan teknik oversampling Manhattan-SMOTE sebagai solusi penyeimbang data sebelum pelatihan model Random Forest. Manhattan-SMOTE merupakan pengembangan dari metode SMOTE konvensional yang menggunakan jarak Manhattan dalam proses interpolasi data sintetis, sehingga lebih stabil dan akurat untuk data berdimensi tinggi. Hasil evaluasi menunjukkan bahwa model Random Forest tanpa oversampling menghasilkan akurasi 81.18% dengan recall yang rendah, yaitu 36.26%. Setelah diterapkan Manhattan-SMOTE, nilai recall meningkat menjadi 67%, F1-score menjadi 0.50, dan ROC AUC melonjak dari 0.75 menjadi 0.96, meskipun akurasi menurun menjadi 70%. Hasil ini menunjukkan bahwa teknik Manhattan-SMOTE secara signifikan meningkatkan kemampuan model dalam mengenali transaksi penipuan tanpa mengorbankan performa klasifikasi secara keseluruhan. Kombinasi Random Forest dan Manhattan-SMOTE terbukti efektif dalam mengatasi ketidakseimbangan kelas dan layak diterapkan dalam sistem deteksi fraud berbasis kecerdasan buatan.]]>
Copyrights © 2025
