<![CDATA[Identifikasi fraud pada transaksi keuangan menjadi pekerjaan besar untuk mencegah kerugian yang dapat terjadi akibat fraud. Dengan perkembangan teknologi machine learning yang makin baik, eksperimen mengenai identifikasi fraud dapat dilakukan dengan menggunakan model machine learning. Sejumlah model machine learning dapat digunakan untuk identifikasi fraud, seperti logistic regression, XGBoost, LightGBM, dan Stacking. Penelitian ini untuk menunjukkan kinerja dari stacking ensemble yang dipadukan dengan MLP sebagai meta learner. Identifikasi fraud memiliki tantangan tersendiri berupa banyak data yang tidak seimbang antara transaksi otentik dengan transaksi palsu. Meskipun demikian, eksperimen yang dilakukan menggunakan model dan evaluasi yang tahan terhadap data yang tidak seimbang. Eksperimen dilakukan dengan pengolahan data dan feature engineering untuk mengatasi permasalahan dalam dataset. Pengolahan data dan feature engineering ditujukan untuk mengurangi pencilan, fitur yang tak relevan, dan nilai-nilai pada data yang hilang atau terduplikasi. Kemudian, pembuatan model dilakukan dengan logistic regression, XGBoost, LightGBM, dan stacking ensemble dengan base learner dari XGBoost dan LightGBM serta meta-learner menggunakan MLP. Hasil dari eksperimen yang dilakukan menunjukkan bahwa stacking memiliki kinerja yang paling tinggi dengan nilai AUC-ROC mencapai 0,9663 dibandingkan model lain.]]>
Copyrights © 2026
