Penilaian Risiko Fraud Transaksi Digital menggunakan Hybrid Machine Learning dengan Clustering dan Klasifikasi

Abstrak

Deteksi fraud pada transaksi kartu kredit biasanya dianggap sebagai masalah klasifikasi biner, padahal manajemen risiko operasional memerlukan informasi tingkat risiko yang lebih detail untuk membantu prioritas investigasi. Penelitian ini mengusulkan kerangka kerja hybrid machine learning untuk stratifikasi risiko transaksi. Pada tahap pertama, algoritma K-Means digunakan pada training set untuk menemukan struktur risiko laten dan membuat label risiko berbasis klaster. Setelah itu, model Random Forest dilatih untuk memprediksi tingkat risiko pada data baru. Untuk menjaga objektivitas evaluasi, data dibagi menjadi training, validation, dan testing, dan diterapkan mekanisme pencegahan kebocoran data. Hasil pengujian menunjukkan bahwa model dapat mengklasifikasikan dua tingkat risiko secara konsisten dengan nilai precision, recall, dan F1-score yang konsisten. Pada skenario deteksi fraud biner, model mencapai akurasi 0,8831. Hasil tersebut menunjukkan bahwa memisahkan eksplorasi risiko laten dan klasifikasi prediktif dapat menghasilkan representasi risiko yang lebih informatif dibandingkan pendekatan biner biasa. Namun, penelitian ini masih terbatas pada satu dataset publik dan satu model klasifikasi. Oleh karena itu, generalisasi dan potensi peningkatan kinerja model masih perlu dievaluasi dengan mencoba algoritma lain.

Identifier

• DOI: https://doi.org/10.33364/algoritma/v.23-1.3398
• OpenAlex: https://openalex.org/W7163127445