Analisis dan Evaluasi Deteksi PenipuanTransaksi Kartu Kredit MenggunakanTeknik Undersampling dan Isolation Forest

Abstrak

Penipuan dalam transaksi kartu kredit adalah bahaya besar yang mengancam sistem keuangan digital yang semakin berkembang. Masalah utama dalam membuat model untuk mendeteksi penipuan adalah adanya ketidakseimbangan yang sangat besar antara transaksi yang biasa dan transaksi yang berupa penipuan. Penelitian ini mengevaluasi seberapa efektif menggunakan kombinasi metode undersampling dan algoritma Isolation Forest untuk mendeteksi transaksi palsu pada kartu kredit. Dataset yang digunakan adalah dataset publik ULB dari Kaggle, yang berisi 284.807 transaksi kartu kredit, dengan hanya 492 transaksi (0,17%) yang teridentifikasi sebagai penipuan. Teknik undersampling digunakan untuk menjadikan distribusi kelas lebih seimbang sebelum model dilatih, sedangkan Isolation Forest digunakan sebagai cara deteksi anomali yang memanfaatkan pohon keputusan isolasi. Evaluasi dilakukan dengan menggunakan beberapa metrik yaitu Precision, Recall, F1-Score, dan Area Under Precision-Recall Curve (AUCPR). Hasil eksperimen menunjukkan bahwa menggunakan kombinasi Random Undersampling bersama dengan Isolation Forest memberikan nilai Recall sebesar 0,87 dan AUCPR sebesar 0,83, yang lebih baik dibandingkan dengan model yang tidak melakukan penyeimbangan data. Penelitian ini menunjukkan bahwa metode undersampling secara nyata membantu Isolation Forest dalam mendeteksi transaksi penipuan lebih baik, terutama pada data yang sangat tidak seimbang.