COMPARISON OF RANDOM FOREST AND XGBOOST ALGORITHMS IN CREDIT CARD FRAUD CLASSIFICATION

Abstrak

Penipuan dalam transaksi kartu kredit merupakan salah satu masalah serius yang dapat merugikan konsumen maupun penyedia layanan keuangan. Penelitian ini bertujuan untuk mengembangkan dan membandingkan dua algoritma machine learning, yaitu Random Forest dan Xgboost, untuk menemukan algoritma yang paling efektif dalam mengklasifikasikan transaksi penipuan kartu kredit, sekaligus mengevaluasi performa model dan mengimplementasikannya dalam bentuk aplikasi web. Metode penelitian ini mengikuti pendekatan CRISP-DM yang mencakup enam tahap: Business Understanding, Data Understanding, Data Preparation, Modelling, Evaluation, dan Deployment. Dataset yang digunakan berasal dari platform Kaggle dengan total 1.048.574 baris dan 23 fitur, mencakup informasi seperti jumlah transaksi, kategori merchant, lokasi, dan atribut pelanggan. Evaluasi model dilakukan menggunakan Confusion Matrix dengan metrik akurasi, precision, recall , dan F1-score. Hasil evaluasi menunjukkan bahwa Xgboost memiliki performa lebih unggul dengan akurasi 99,19%, precision 98,73%, recall 99,66%, dan F1-score 99,19%. Sementara itu, Random Forest mencatatkan akurasi sebesar 97,68%, precision 97,38%, recall 98,01%, dan F1-score 97,69%. Hal ini menunjukkan bahwa Xgboost lebih efektif dalam mengidentifikasi transaksi penipuan secara konsisten. Selain itu, penelitian ini juga berhasil membangun aplikasi berbasis web menggunakan framework Streamlit yang mengintegrasikan kedua model secara interaktif, memudahkan pengguna dalam menginput data dan mendapatkan hasil klasifikasi secara real-time. Dengan demikian, penelitian ini telah berhasil memenuhi tiga tujuan utama, yaitu mengidentifikasi algoritma terbaik untuk klasifikasi penipuan, mengevaluasi performa model secara menyeluruh, dan mengembangkan aplikasi sebagai sistem pendukung keputusan.

Identifier

• OpenAlex: https://openalex.org/W7117419894
• DOI: https://doi.org/10.37859/coscitech.v6i3.10470