Analisis Deteksi Fraud Transaksi Digital Menggunakan Gradient Boosted Tree dengan Pendekatan Explainable AI dan Eksplorasi Metode Alternatif

Andersen, James (2026) Analisis Deteksi Fraud Transaksi Digital Menggunakan Gradient Boosted Tree dengan Pendekatan Explainable AI dan Eksplorasi Metode Alternatif. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (506kB)
	PDF BAB_I.pdf Download (316kB)
	PDF BAB_II.pdf Download (582kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (623kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (2MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (240kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (245kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (846kB)
	Archive (ZIP) 00000069612_2521_LembarPengesahan.pdf Restricted to Registered users only Download (64kB)

Abstract

Peningkatan volume transaksi keuangan digital menyebabkan risiko fraud semakin tinggi sehingga diperlukan sistem deteksi yang akurat, scalable, dan mudah diinterpretasikan. Penelitian ini bertujuan mengembangkan model deteksi fraud menggunakan Gradient Boosted Tree (GBT) sebagai model utama dengan dukungan Explainable Artificial Intelligence (SHAP) untuk memberikan penjelasan terhadap hasil prediksi model. Selain itu, dilakukan analisis komparatif terhadap Graph Neural Network (GNN) dan Federated Learning (FL) sebagai pendekatan alternatif. Dataset yang digunakan merupakan dataset transaksi keuangan digital sintetis berskala besar dengan total 7.483.766 baris data dan distribusi yang tidak seimbang, yaitu 80% non- fraud dan 20% fraud. Penelitian menerapkan framework CRISP-DM, Apache PySpark untuk pengolahan data berskala besar, optimasi hyperparameter, serta teknik class weighting untuk menangani ketidakseimbangan kelas. Hasil penelitian menunjukkan bahwa model GBT dengan konfigurasi terbaik menghasilkan nilai AUC-ROC sebesar 0.9925, F1-Score sebesar 0.9610, Precision sebesar 0.9634, Recall sebesar 0.9602, dan Accuracy sebesar 0.9602. Analisis SHAP mengidentifikasi bahwa distance_from_home, amount, channel, transaction_hour, dan currency merupakan fitur yang paling berpengaruh terhadap deteksi fraud. Selain itu, model menunjukkan kemampuan inferensi hingga 17.379 transaksi per detik. Hasil penelitian menunjukkan bahwa pendekatan GBT yang didukung SHAP efektif dalam mendeteksi fraud pada data transaksi digital berskala besar serta mampu memberikan interpretasi yang mendukung proses pengambilan keputusan.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Andersen, James (00000069612)
Contributors:	Fernando, Erick
Keywords:	Big Data, Federated Learning, Fraud Detection, Gradient Boosted Tree, Graph Neural Network, SHAP
Subjects:	000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 004 Computer Science, Data Processing, Hardware > 004.2 Systems Analysis and Design, Information Architecture, Performance Evaluation
Divisions:	Faculty of Engineering & Informatics > Information System
Date Deposited:	27 Jul 2026 12:01
URI:	https://kc.umn.ac.id/id/eprint/48252

Actions (login required)

View Item