Deteksi transaksi anomali pada pembayaran berbasis qr dengan metode hybrid machine learning dan explainable artificial intelligence

Susio, Kenndy (2026) Deteksi transaksi anomali pada pembayaran berbasis qr dengan metode hybrid machine learning dan explainable artificial intelligence. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_I.pdf Download (216kB)
	PDF BAB_II.pdf Download (1MB)
	PDF BAB_III.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (2MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (205kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (210kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (393kB)

Abstract

Penelitian ini mengembangkan sistem deteksi transaksi anomali menggunakan pendekatan Hybrid Machine Learning yang menggabungkan algoritma Isolation Forest dan Autoencoder. Dataset yang digunakan adalah dataset transaksi keuangan PaySim. Model Isolation Forest dikonfigurasi menggunakan parameter n estimators=200, contamination=0.001, dan random state=42, sedangkan Autoencoder dilatih menggunakan 50 epoch, batch size 2048, optimizer Adam (learning rate=0.001), serta EarlyStopping. Isolation Forest digunakan untuk mengidentifikasi data yang memiliki karakteristik berbeda dari mayoritas data, sedangkan Autoencoder mempelajari pola transaksi normal melalui proses rekonstruksi data. Interpretasi hasil prediksi dilakukan menggunakan metode Explainable Artificial Intelligence yaitu SHAP dan LIME. Hasil penelitian menunjukkan bahwa model Autoencoder memperoleh nilai ROC- AUC sebesar 0.937, sedangkan model Hybrid memperoleh nilai ROC-AUC sebesar 0.900. Pendekatan ini mampu mendeteksi transaksi anomali sekaligus memberikan interpretasi terhadap keputusan model.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Susio, Kenndy (00000075031)
Contributors:	Twince Tobing, Fenina Adline
Keywords:	Deteksi Anomali, Autoencoder, Hybrid machine learning, Isolation forest, Explainable Artificial Intelligence
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	07 May 2026 07:58
URI:	https://kc.umn.ac.id/id/eprint/45428

Actions (login required)

View Item