<![CDATA[Pertumbuhan ekosistem Decentralized Finance (DeFi) pada jaringan Ethereum meningkatkan risiko kejahatan finansial berbasis blockchain, sementara sifat pseudo-anonim jaringan mempersulit pelacakan identitas pelaku sehingga diperlukan pendekatan otomatis berbasis machine learning untuk mendeteksi transaksi fraud. Penelitian ini membandingkan performa algoritma Random Forest dan XGBoost dalam mengklasifikasikan transaksi fraud pada kondisi data tidak seimbang, serta mengidentifikasi fitur paling berpengaruh melalui feature importance. Dataset sekunder (9.841 baris, 51 fitur) diperoleh dari Kaggle, dengan ketidakseimbangan kelas ditangani melalui Cost-Sensitive Learning tanpa oversampling sintetis seperti SMOTE. Evaluasi berfokus pada Recall, Precision, F1-Score, dan ROC-AUC. Hasil menunjukkan XGBoost mengungguli Random Forest pada hampir semua metrik (Accuracy 97,22% vs 96,04%; Recall 91,74% vs 84,56%; F1-Score 93,60% vs 90,44%; ROC-AUC 99,24% vs 98,85%). Pola waktu transaksi dan aliran dana terbukti menjadi indikator anomali utama pada kedua model, menunjukkan bahwa pendekatan Cost-Sensitive Learning dapat menjadi opsi yang efektif dalam menangani data sangat tidak seimbang pada domain keamanan blockchain tanpa perlu memanipulasi distribusi asli data transaksi.]]>
Copyrights © 2026
