Publisher

UBUB

Journal Jurnal Teknologi Informasi dan Ilmu KomputerJurnal Teknologi Informasi dan Ilmu Komputer Abstract

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 ensemble. Penelitian ini menerapkan metode eksperimen kuantitatif untuk menunjukkan kinerja dari stacking ensemble yang dipadukan dengan Multi-Layer Perceptron (MLP) sebagai meta-learner. Tahapan yang dilakukan yaitu eksplorasi data untuk memetakan karakteristik dataset IEEE-CIS Fraud Detection, preprocessing untuk menyiapkan data yang sesuai dengan model, pemodelan untuk klasifikasi biner, dan evaluasi terhadap data uji. Tantangan utama dalam deteksi fraud adalah data yang tidak seimbang antara transaksi otentik dan palsu. Meskipun demikian, Eksperimen dilakukan dengan pengolahan data dan feature engineering untuk mengatasi permasalahan dalam dataset. Pengolahan data dan feature engineering ditujukan untuk menangani pencilan, fitur yang tak relevan, dan nilai-nilai pada data yang hilang serta terduplikasi. Kemudian, pembuatan model dilakukan dengan logistic regression, XGBoost, LightGBM, dan stacking ensemble dengan base learner dari XGBoost dan LightGBM serta meta-learner menggunakan Multi-Layer Perceptron. Hasil dari eksperimen dan pengujian komparatif yang dilakukan menunjukkan bahwa model stacking ensemble memiliki kinerja yang paling tinggi dengan nilai AUC-ROC mencapai 0,9663, secara spesifik mengungguli model LightGBM (0,9661) dan XGBoost (0,9600).

Conclusion

Penelitian ini menunjukkan bahwa model stacking ensemble dengan base learner XGBoost dan LightGBM serta meta-learner MLP memberikan hasil evaluasi terbaik dalam mendeteksi fraud pada transaksi finansial dengan nilai AUC-ROC 0,9663.Meskipun model ini menunjukkan kinerja yang unggul, kebutuhan komputasi yang tinggi untuk mengembangkan model stacking tidak sebanding dengan peningkatan hasil yang tidak signifikan.Hyperparameter berperan penting dalam peningkatan nilai AUC-ROC.Oleh karena itu, dalam mengembangkan sistem deteksi fraud sebaiknya memberikan sumber daya lebih untuk melakukan fine-tuning model dibandingkan mengadopsi model kompleks seperti stacking, kecuali jika peningkatan kecil dalam kinerja model benar-benar dibutuhkan.Penelitian selanjutnya dapat mempelajari pengaruh dari preprocessing lain terhadap hasil evaluasi seperti pembentukan fitur baru dari hasil kombinasi fitur yang ada.Penentuan transaksi fraud juga dapat dilakukan dengan pendekatan identifikasi fitur pelaku fraud mengingat dataset memberikan fitur terkait identitas pelaku transaksi.Selain itu tuning hyperparameter XGBoost juga masih bisa ditingkatkan dengan variasi rentang nilai dan hyperparameter lebih banyak seperti pada eksperimen LightGBM.

Future Research

Penelitian lanjutan dapat fokus pada pengembangan metode preprocessing yang lebih efektif untuk menangani data tidak seimbang, seperti eksplorasi teknik resampling alternatif atau pembuatan fitur baru dari kombinasi fitur yang relevan. Selain itu, perlu dilakukan studi lebih mendalam tentang penggunaan model deep learning sebagai meta-learner dalam stacking ensemble untuk meningkatkan kemampuan deteksi pola fraud yang kompleks. Terakhir, penelitian juga dapat mengeksplorasi penerapan model stacking ensemble pada dataset transaksi finansial dari sektor lain, seperti perbankan atau layanan digital, untuk menguji generalisasi model dalam konteks yang berbeda.

References

1. Financial Fraud Detection Based on Machine Learning: A Systematic Literature Review. financial fraud... mdpi.com/2076-3417/12/19/9637Financial Fraud Detection Based on Machine Learning A Systematic Literature Review financial fraud mdpi 2076 3417 12 19 9637

Metadata

File size	613.17 KB
Pages	10
DMCA	Report