<![CDATA[Deteksi penipuan kartu kredit pada data dengan ketidakseimbangan kelas ekstrem merupakan tantangan karena model klasifikasi cenderung bias terhadap kelas mayoritas sehingga menurunkan kemampuan mendeteksi transaksi penipuan. Metode oversampling tradisional seperti Synthetic Minority Over-sampling Technique (SMOTE) banyak digunakan, tetapi sering belum mampu merepresentasikan kompleksitas distribusi data tabular. Sebaliknya, pendekatan generatif seperti Conditional Tabular Generative Adversarial Network (CTGAN) berpotensi menghasilkan data sintetis yang lebih realistis, meskipun evaluasinya pada berbagai model klasifikasi masih terbatas. Penelitian ini bertujuan membandingkan efektivitas empat metode augmentasi data, yaitu SMOTE, Borderline-SMOTE, SMOTE-ENN, dan CTGAN, pada model Extreme Gradient Boosting (XGBoost), TabTransformer, dan Deep Autoencoder. Evaluasi dilakukan menggunakan metrik yang sensitif terhadap kelas minoritas, meliputi Receiver Operating Characteristic–Area Under the Curve (ROC-AUC), Area Under the Precision–Recall Curve (AUPRC), serta metrik pendukung lainnya. Hasil menunjukkan bahwa kombinasi XGBoost dan Borderline-SMOTE memberikan keseimbangan precision–recall terbaik dengan F1-score 0,9269 dan AUPRC 0,8306, sedangkan TabTransformer dengan CTGAN mencapai kemampuan diskriminasi tertinggi dengan ROC-AUC 0,9846 dan precision 0,9795. Temuan ini menunjukkan bahwa efektivitas augmentasi bergantung pada kesesuaian karakteristik data sintetis dengan mekanisme pembelajaran model serta memberikan implikasi praktis bagi pengembangan sistem deteksi penipuan yang andal pada data tidak seimbang]]>
Copyrights © 2026
