AMELIA RAHMADANI, - (2026) MODEL DETEKSI PENIPUAN TRANSAKSI KARTU KREDIT BERBASIS BOOSTING CLASSIFIERS DENGAN OPTIMASI HYPERPARAMETER DAN EXPLAINABLE AI (XAI). Skripsi thesis, UNIVERSITAS ISLAM NEGERI SULTAN SYARIF KASIM RIAU.

Preview	Text (BAB GABUNGAN) Amelia Rahmadani - Watermark - BAB 4 Removed - AMELIA RAHMADANI SISTEM INFORMASI.pdf - Published Version Download (9MB) | Preview
	Text (BAB HASIL) Amelia Rahmadani - Watermark - BAB 4 - AMELIA RAHMADANI SISTEM INFORMASI.pdf - Published Version Restricted to Repository staff only Download (788kB)
Preview	Text (PERNYATAAN PUBLIKASI) SURAT PERNYATAAN SERAH SIMPAN KARYA - AMELIA RAHMADANI SISTEM INFORMASI.pdf - Published Version Download (259kB) | Preview

Abstract

Peningkatan volume transaksi digital menyebabkan institusi keuangan menghadapi risiko penipuan kartu kredit yang semakin kompleks, dengan karakteristik data yang sangat tidak seimbang. Penelitian ini bertujuan membandingkan kinerja tiga algoritma boosting modern, yaitu XGBoost, LightGBM, dan CatBoost pada skenario data sangat tidak seimbang, sekaligus mengkaji peran Synthetic Minority Over-sampling Technique (SMOTE), hyperparameter tuning GridSearchCV, dan explainable artificial intelligence (XAI) berbasis SHapley Additive exPlanations (SHAP). Dataset yang digunakan merupakan data sintetis transaksi kartu kredit dari Kaggle yang berisi 1.852.394 juta transaksi dengan fraud rate sekitar 0,52%. Ketidakseimbangan kelas ditangani menggunakan Synthetic Minority Over sampling Technique (SMOTE) dengan rasio 10% pada data latih, diikuti hyperparameter tuning berbasis GridSearchCV dan penyesuaian decision threshold berbasis F1-score. Hasil menunjukkan bahwa seluruh model mencapai AUC-ROC di atas 0,996 dan F1-score sekitar 0,90 pada data uji. CatBoost menghasilkan kombinasi terbaik antara F1-score dan Recall, sedangkan XGBoost mencapai Precision tertinggi. Analisis SHAP mengonfirmasi bahwa model bergantung pada kombinasi fitur jumlah transaksi, pola waktu transaksi, perilaku historis kartu, dan tingkat risiko merchant dalam keputusan klasifikasi fraud, sehingga meningkatkan transparansi dan akuntabilitas sistem deteksi penipuan yang dihasilkan.

Actions (login required)

View Item