Hybrid Ensemble Learning Deep Q-Network dan Random Forest Berbasis Kalibrasi Platt Scaling untuk Deteksi Fraud Kartu Kredit

Hosea, Hosea (2026) Hybrid Ensemble Learning Deep Q-Network dan Random Forest Berbasis Kalibrasi Platt Scaling untuk Deteksi Fraud Kartu Kredit. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (868kB)
	PDF BAB_I.pdf Download (246kB)
	PDF BAB_II.pdf Download (347kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (525kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (2MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (237kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (210kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (529kB)
	Archive (ZIP) CREATION_FILE.zip Restricted to Registered users only Download (1GB)
	Archive (ZIP) 00000070462_2521_LembarPengesahan.pdf Restricted to Registered users only Download (65kB)

Abstract

Deteksi fraud kartu kredit menghadapi ketimpangan kelas yang ekstrem, sehingga diperlukan model yang mampu meningkatkan kemampuan identifikasi transaksi fraud. Penelitian ini menggunakan dataset sintetis Sparkov yang terdiri atas 1.852.394 transaksi dengan proporsi fraud sebesar 0,521% dan 14 fitur. Data dibagi secara kronologis untuk mencegah look-ahead bias. Random Forest dengan pembobotan kelas cost-sensitive dan Deep Q-Network (DQN) berarsitektur Dueling dengan stratified experience replay dilatih secara terpisah. Selanjutnya, Q-value DQN dikalibrasi menggunakan Platt scaling agar berada pada skala probabilitas yang sama dengan Random Forest, kemudian digabungkan melalui weighted probability averaging. Evaluasi dilakukan pada enam seed menggunakan accuracy, precision, recall, F1-score, F2-score, MCC, ROC-AUC, dan PR-AUC. Hasil menunjukkan bahwa ensemble mengungguli baseline pada seluruh metrik evaluasi, dengan peningkatan PR-AUC dari 0,4449 menjadi 0,4941, recall dari 0,6798 menjadi 0,7279, dan F1-score dari 0,5614 menjadi 0,5910, serta menurunkan jumlah fraud yang lolos dari 432 menjadi 367 dan alarm palsu dari 1.001 menjadi 992. Peningkatan tersebut konsisten pada seluruh seed (uji Wilcoxon signed- rank, p = 0,0156) dan didukung oleh komplementaritas kedua model, ditunjukkan melalui Jaccard similarity sebesar 0,8541 dan 107 transaksi fraud yang hanya terdeteksi berkat kontribusi DQN.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Hosea, Hosea (00000070462)
Contributors:	Wardhana, Ajie Kusuma
Keywords:	class imbalance, Deep Q-Network, deteksi fraud kartu kredit, ensemble terkalibrasi, Platt scaling
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	23 Jul 2026 08:02
URI:	https://kc.umn.ac.id/id/eprint/47935

Actions (login required)

View Item