ANALISIS PERBANDINGAN METODE RESAMPLING PADA MODEL ENSEMBLE STACKING TERHADAP DETEKSI PENIPUAN KARTU KREDIT
Loading...
Date
2025
Journal Title
Journal ISSN
Volume Title
Publisher
Program Studi S1 Informatika
Abstract
Penelitian ini bertujuan untuk mengevaluasi pengaruh berbagai teknik resampling terhadap kinerja model ensemble stacking dalam mendeteksi penipuan transaksi kartu kredit. Ketidakseimbangan kelas antara transaksi normal dan penipuan menjadi tantangan utama dalam membangun sistem deteksi yang akurat. Untuk mengatasi hal tersebut, digunakan empat metode resampling, yaitu SMOTE-Tomek, SMOTE-ENN, Random Oversampling (ROS), dan Random Undersampling (RUS), yang kemudian dikombinasikan dengan pendekatan ensemble stacking menggunakan algoritma Decision Tree, Random Forest, dan Support Vector Machine sebagai base learners, serta Logistic Regression sebagai meta learner.Hasil penelitian menunjukkan bahwa Random Oversampling (ROS) memberikan performa terbaik secara keseluruhan dengan accuracy sebesar 99.68%, precision 95.16%, recall 83.29%, f1-score 88.83%, dan ROC AUC 0.9994, serta waktu resampling tercepat yaitu 0.08 detik. Teknik ini mampu menjaga keseimbangan antara deteksi fraud dan meminimalkan false positive. Sementara itu, SMOTE-ENN memiliki recall tertinggi yaitu 96.11%, menunjukkan deteksi yang sangat sensitif, namun precision-nya lebih rendah (73.23%) dan waktu pemrosesan paling lama. SMOTE-Tomek memberikan hasil yang seimbang dengan recall 94.39% dan precision 80.57%, sedangkan RUS meskipun unggul dalam recall (99.20%), memiliki precision paling rendah (59.79%) karena hilangnya informasi akibat penghapusan data mayoritas.Penelitian ini menyimpulkan bahwa kombinasi Random Oversampling dan ensemble stacking merupakan solusi yang paling efektif dan efisien dalam mendeteksi penipuan kartu kredit. Pendekatan ini tidak hanya unggul dalam metrik evaluasi, tetapi juga cocok untuk implementasi sistem deteksi yang cepat dan akurat di lingkungan transaksi digital.