Deteksi Fraud Kartu Kredit dengan Logistic Regression, Random Forest, dan Gradient Boosting

Herlambang Irawan

doi:10.54914/jit.v11i2.1826

Penulis

Herlambang Irawan Universitas Pembangunan "Veteran" Jawa Timur

DOI:

https://doi.org/10.54914/jit.v11i2.1826

Kata Kunci:

deteksi penipuan, kartu kredit, machine learning, SMOTE, gradient boosting

Abstrak

Penelitian ini bertujuan untuk membangun model deteksi penipuan transaksi kartu kredit menggunakan pendekatan machine learning, yaitu Logistic Regression, Random Forest, dan Gradient Boosting Classifier. Dataset yang digunakan bersumber dari transaksi kartu kredit asli dengan proporsi fraud sebesar 0,17%, yang mencerminkan permasalahan ketidakseimbangan kelas. Untuk mengatasi hal ini, diterapkan teknik Synthetic Minority Over-sampling Technique (SMOTE) dan transformasi fitur menggunakan Principal Component Analysis (PCA). Evaluasi dilakukan menggunakan metrik akurasi, presisi, recall, F1-score, dan ROC-AUC. Hasil penelitian menunjukkan bahwa Random Forest dan Gradient Boosting Classifier menghasilkan performa terbaik dengan akurasi dan nilai ROC-AUC mendekati sempurna (ROC-AUC > 0.999), sedangkan Logistic Regression memberikan hasil yang sangat baik namun sedikit di bawah dua model lainnya. Meskipun demikian, nilai ROC-AUC yang hampir sempurna dapat mengindikasikan potensi overfitting, sehingga diperlukan validasi lebih lanjut pada dataset berbeda. Berbeda dengan penelitian sebelumnya yang hanya menggunakan satu algoritma, penelitian ini membandingkan tiga model sekaligus serta mengintegrasikan SMOTE dan PCA untuk meningkatkan performa deteksi. Implikasi praktis dari penelitian ini adalah model yang diusulkan dapat diimplementasikan pada sistem keuangan digital untuk membantu lembaga perbankan dalam mendeteksi penipuan secara real-time dan mengurangi potensi kerugian finansial.

Unduhan

Data unduhan belum tersedia.

Referensi

E. Constancio and K. D. Tania, “Penerapan Metode Supervised Learning dan Teknik Resampling untuk Prediksi Penipuan Transaksi Keuangan,” Dec. 2024. [Online]. Available: https://repository.unsri.ac.id/162912/

L. Theodorakopoulos, A. Theodoropoulou, A. Tsimakis, and C. Halkiopoulos, “Big Data-Driven Distributed Machine Learning for Scalable Credit Card Fraud Detection Using PySpark, XGBoost, and CatBoost,” Electronics (Basel), vol. 14, no. 9, p. 1754, 2025, doi: 10.3390/electronics14091754.

S. Jiang, R. Dong, J. Wang, and M. Xia, “Credit Card Fraud Detection Based on Unsupervised Attentional Anomaly Detection Network,” Systems, vol. 11, no. 6, pp. 234–241, 2023.

M. Zhu, Y. Zhang, Y. Gong, C. Xu, and Y. Xiang, “Enhancing Credit Card Fraud Detection: A Neural Network and SMOTE Integrated Approach,” arXiv preprint arXiv:2405.00026, 2024.

P. Tiwari, S. Mehta, N. Sakhuja, J. Kumar, and A. K. Singh, “Credit Card Fraud Detection using Machine Learning: A Study,” arXiv preprint arXiv:2108.10005, 2021.

N. K. A. Dewi and L. P. Mahyuni, “Pemetaan bentuk dan pencegahan penipuan e-commerce,” E-Jurnal Ekonomi Dan Bisnis Universitas Udayana, vol. 9, pp. 851–878, 2020.

P. T. S. Ningsih, M. Gusvarizon, and R. Hermawan, “Analisis Sistem Pendeteksi Penipuan Transaksi Kartu Kredit dengan Algoritma Machine Learning,” Jurnal Teknologi Informatika Dan Komputer, vol. 8, no. 2, pp. 386–401, 2022.

S. Beigi and M.-R. Amin-Naseri, “Credit Card Fraud Detection using Data mining and Statistical Methods,” Journal of AI and Data Mining, vol. 8, no. 2, pp. 149–160, 2020.

M. Sholeh, D. Andayati, R. Yuliana Rachmawati, P. Studi Informatika, and F. Teknologi Informasi dan Bisnis, “Data Mining Model Klasifikasi Menggunakan Algoritma K-Nearest Neighbor Dengan Normalisasi Untuk Prediksi Penyakit Diabetes Data Mining Model Classification Using Algorithm K-Nearest Neighbor With Normalization For Diabetes Prediction,” 2022.

E. Ileberi, Y. Sun, and Z. Wang, “A machine learning based credit card fraud detection using the GA algorithm for feature selection,” J Big Data, vol. 9, no. 1, p. 24, 2022, doi: 10.1186/s40537-022-00573-8.

V. B. Nguyen, K. G. Dastidar, M. Granitzer, and W. Siblini, “The Importance of Future Information in Credit Card Fraud Detection,” in Lecture Notes in Computer Science, vol. 151, Springer, 2022, pp. 234–241.

P. Gupta, A. Varshney, M. R. Khan, R. Ahmed, M. Shuaib, and S. Alam, “Unbalanced Credit Card Fraud Detection Data: A Machine Learning-Oriented Comparative Study of Balancing Techniques,” Procedia Comput Sci, vol. 218, pp. 2575–2584, 2023.

A. H. M. Aburbeian and H. I. Ashqar, “Credit Card Fraud Detection Using Enhanced Random Forest Classifier for Imbalanced Data,” in International Conference on Advances in Computing Research, Springer, Cham, 2023, pp. 234–241.

Y. F. Zhang, H. L. Lu, H. F. Lin, X. C. Qiao, and H. Zheng, “The Optimized Anomaly Detection Models Based on an Approach of Dealing with Imbalanced Dataset for Credit Card Fraud Detection,” Mobile Information Systems, vol. 2022, pp. 234–241, 2022.

M. M. Mijwil and I. E. Salem, “Credit Card Fraud Detection in Payment Using Machine Learning Classifiers,” Asian Journal of Computer and Information Systems, vol. 8, no. 4, pp. 234–241, 2020.