Peningkatan Kinerja Model Random Forest untuk Deteksi Kecurangan Kartu Kredit Menggunakan RandomizedSearchCV
DOI:
https://doi.org/10.37859/jf.v15i2.9832
Abstract
Pertumbuhan transaksi kartu kredit di Indonesia yang pesat diiringi dengan peningkatan kasus penipuan membutuhkan sistem deteksi yang handal. Penelitian ini mengembangkan model deteksi penipuan dengan mengoptimalkan algoritma Random Forest melalui teknik RandomizedSearchCV. Dataset mencakup 690 transaksi dengan 16 fitur, termasuk 14 variabel prediktor dan label kelas (0 untuk transaksi normal, 1 untuk fraud). Tahapan penelitian meliputi eksplorasi data (EDA) untuk memahami karakteristik dataset, standarisasi fitur, pembagian data (80% pelatihan, 20% pengujian), serta implementasi model Random Forest dalam dua versi: tanpa tuning dan dengan optimasi parameter. Hasil penelitian menunjukkan peningkatan performa model setelah optimasi, dengan akurasi mencapai 90,58% pada data uji (naik dari 89,86%). Model yang dioptimasi juga berhasil meningkatkan precision deteksi fraud dari 0,94 menjadi 0,98 dan mengurangi kesalahan klasifikasi transaksi normal (false positive) dari 3 menjadi 1 kasus. Namun, terdapat sedikit penurunan recall kelas fraud dari 0,82 menjadi 0,80, yang mengindikasikan perlunya penyeimbangan antara akurasi dan sensitivitas deteksi. Temuan ini membuktikan bahwa tuning hyperparameter dengan RandomizedSearchCV dapat meningkatkan kinerja model Random Forest dalam mendeteksi penipuan kartu kredit, khususnya dalam meminimalkan kesalahan klasifikasi
Downloads
References
D. J. Ardha, “Analisis Kasus Pemalsuan Kartu Kredit Sebagai Bentuk Tindak Pidana Perbankan,” J. Huk. Doctrin., vol. 5, no. 2, hal. 245–263, 2020.
T. S. Lestari dan D. A. N. Sirodj, “Klasifikasi Penipuan Transaksi Kartu Kredit Menggunakan Metode Random Forest,” J. Ris. Stat., vol. 1, no. 2, hal. 160–167, 2022, doi: 10.29313/jrs.v1i2.525.
R. Armiani dan E. P. Agustini, “Analisa Fraud Pada Transaksi Kartu Kredit Menggunakan Algoritma Random Forest,” J. Teknol. Inf. dan Terap., vol. 9, no. 2, hal. 118–126, 2022, doi: 10.25047/jtit.v9i2.297.
U. N. W. Gerry William Mathew Kurniawan, “Pendeteksian Penipuan Menggunakan Pendekatan Metode Klasifikasi Random Forest,” in e-Proceeding of Engineering, 2025, vol. 12, no. 1, hal. 2216.
M. Ilham, A. Winarno, M. Lutfi, dan A. Indrasetianingsih, “Handling Imbalanced Fraudulent Transaction Data Using SMOTE-Tomek and Random Forest: A Classification Approach,” BEST J. Appl. Electr. Sci. Technol., vol. 7, no. 1, hal. 35–38, 2025, doi: 10.36456/best.vol7.no1.10335.
Y. Yennimar, A. Rasid, dan S. Kenedy, “Implementation of Support Vector Machine Algorithm With Hyper-Tuning Randomized Search in Stroke Prediction,” J. Sist. Inf. dan Ilmu Komput. Prima(JUSIKOM PRIMA), vol. 6, no. 2, hal. 61–65, 2023, doi: 10.34012/jurnalsisteminformasidanilmukomputer.v6i2.3479.
M. D. Salman et al., “Perbandingan Kinerja Algoritma Clustering K-Means dan K-Medoids dalam Pengelompokan Sekolah di Provinsi Riau Berdasarkan Ketersediaan Sarana dan Prasarana,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 5, no. 3, hal. 797–806, 2025, doi: 10.57152/malcom.v5i3.1950.
J. Kurniawan et al., Analisis Dan Visualisasi Data, 1 ed. Bandung: Penerbit Widina Bhakti Persada Bandung, 2023.
P. Rahayu et al., Buku Ajar Data Mining, 1 ed., vol. 1, no. January 2024. Jambi: PT. Sonpedia Publishing Indonesia, 2024.
Muttaqin et al., Data Science dan Pembelajaran Mesin, 1 ed. Medan: Yayasan Kita Menulis, 2023.
U. Sunarya dan T. Haryanti, “Perbandingan Kinerja Algoritma Optimasi pada Metode Random Forest untuk Deteksi Kegagalan Jantung,” J. Rekayasa Elektr., vol. 18, no. 4, hal. 241–247, 2022, doi: 10.17529/jre.v18i4.26981.
M. A. Abubakar, M. Muliadi, A. Farmadi, R. Herteno, dan R. Ramadhani, “Random Forest Dengan Random Search Terhadap Ketidakseimbangan Kelas Pada Prediksi Gagal Jantung,” J. Inform., vol. 10, no. 1, hal. 13–18, 2023, doi: 10.31294/inf.v10i1.14531.
Suci Amaliah, M. Nusrang, dan A. Aswi, “Penerapan Metode Random Forest Untuk Klasifikasi Varian Minuman Kopi di Kedai Kopi Konijiwa Bantaeng,” VARIANSI J. Stat. Its Appl. Teach. Res., vol. 4, no. 3, hal. 121–127, 2022, doi: 10.35580/variansiunm31.
M. Isangediok dan K. Gajamannage, “Fraud Detection Using Optimized Machine Learning Tools Under Imbalance Classes,” in 2022 IEEE International Conference on Big Data (Big Data), 2022, hal. 4275–4284. doi: 10.1109/BigData55660.2022.10020723.
T. A. E. Putri, T. Widiharih, dan R. Santoso, “Penerapan Tuning Hyperparameter Randomsearchcv Pada Adaptive Boosting Untuk Prediksi Kelangsungan Hidup Pasien Gagal Jantung,” J. Gaussian, vol. 11, no. 3, hal. 397–406, 2023, doi: 10.14710/j.gauss.11.3.397-406.
A. Tholib, Buku Refrensi Implementasi Algoritma Machine Learning Berbasis Web dengan Framework Streamlit, 1 ed. Probolinggo: Pustaka Nurja, 2023. doi: 10.1128/AAC.03728-14.
R. F. Putra et al., ALGORITMA PEMBELAJARAN MESIN (Dasar, Teknik, dan Aplikasi), 1 ed. Jambi: PT. Sonpedia Publishing Indonesia, 2024.
Hartono, Modul Digital Machine Learning. [Daring]. Tersedia di: https://lmsspada.kemdiktisaintek.go.id/pluginfile.php/795078/mod_resource/content/2/Modul Digital - Machine Learning - Hartono-compressed.pdf. [Accessed 23 Juni 2025]
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Larisa Oriana, Anisa Dwi Sanggar Wati, Anggi Putri Ramahdani, Natasya Nurul Safira, Edi Ismanto
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Copyright Notice
An author who publishes in the Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer) agrees to the following terms:
- Author retains the copyright and grants the journal the right of first publication of the work simultaneously licensed under the Creative Commons Attribution-ShareAlike 4.0 License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal
- Author is able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book) with the acknowledgement of its initial publication in this journal.
- Author is permitted and encouraged to post his/her work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of the published work (See The Effect of Open Access).
Read more about the Creative Commons Attribution-ShareAlike 4.0 Licence here: https://creativecommons.org/licenses/by-sa/4.0/.
_(1).png)
