SAFITRI SINAGA, HANY and Matulatan, Tekad and Fattah Fahmitra, Novrizal (2026) DETEKSI PENIPUAN (FRAUD DETECTION) PADA TRANSAKSI KARTU KREDIT MENGGUNAKAN ALGORITMA RANDOM FOREST DAN SUPPORT VECTOR MACHINE (SVM). S1 thesis, Universitas Maritim Raja Ali Haji.

	Text (Cover) HANY_SAFITRI_SINAGA_2101020037_Teknik_Elektro_dan_Informatika_Cover.pdf - Published Version Download (541kB)
	Text (Abstrak) HANY_SAFITRI_SINAGA_2101020037_Teknik_Elektro_dan_Informatika_Abstrak.pdf - Published Version Download (63kB)
	Text (BAB I) HANY_SAFITRI_SINAGA_2101020037_Teknik_Elektro_dan_Informatika_BAB I.pdf - Published Version Download (136kB)
	Text (Daftar Pustaka) HANY_SAFITRI_SINAGA_2101020037_Teknik_Elektro_dan_Informatika_Daftar Pustaka.pdf - Published Version Download (143kB)
	Text (Full Teks) HANY_SAFITRI_SINAGA_2101020037_Teknik_Elektro_dan_Informatika_Full Teks.pdf - Published Version Restricted to Repository staff only Download (2MB) | Request a copy

Abstract

Perkembangan transaksi digital yang pesat telah meningkatkan risiko terjadinya penipuan, khususnya pada penggunaan kartu kredit. Penipuan kartu kredit dapat menyebabkan kerugian finansial yang signifikan baik bagi penyedia layanan maupun konsumen. Penelitian ini bertujuan untuk mengevaluasi performa algoritma Random Forest dan Support Vector Machine sehingga dapat menemukan metode yang optimal dalam mendeteksi penipuan pada transaksi kartu kredit. Proses penelitian meliputi tahap preprocessing data, penyeimbangan kelas menggunakan SMOTE-NC, serta pelatihan model dengan Random Forest dan SVM. Selain itu, pada penelitian ini juga dilakukan pengujian parameter untuk memperoleh kombinasi nilai parameter yang menghasilkan performa terbaik pada masing-masing model. Evaluasi dilakukan menggunakan Confusion Matrix dan ROC-AUC. Hasil penelitian menunjukkan bahwa model Random Forest memperoleh accuracy sebesar 99,29%, precision 44,36%, recall 88,06%, F1-score 59,00%, dan AUC 0,9964. Sementara itu, model SVM menghasilkan accuracy sebesar 98,84%, precision 27,52%, recall 61,19%, F1-score 37,96%, dan AUC 0,8983. Dengan demikian, algoritma Random Forest lebih optimal dibandingkan SVM dengan nilai recall dan AUC yang lebih tinggi. Temuan ini menunjukkan bahwa metode ensemble berbasis Random Forest dengan SMOTE-NC merupakan pendekatan yang efektif dalam mendeteksi penipuan kartu kredit serta dapat membantu meminimalkan kerugian finansial akibat transaksi penipuan.

Actions (login required)

View Item