Perpustakaan Digital ITB

Pertumbuhan ekosistem pembayaran digital memicu peningkatan kejahatan finansial, khususnya penipuan kartu kredit yang menyebabkan kerugian ekonomi global. Metode deteksi konvensional berbasis aturan saat ini dinilai tidak memadai karena memiliki tingkat kesalahan deteksi yang tinggi dan gagal mengidentifikasi pola pada data transaksi sekuensial. Oleh karena itu, diperlukan penerapan model pembelajaran mendalam untuk mendeteksi penipuan dengan lebih akurat. Tugas Akhir ini menyusun dan membandingkan model berbasis Gated Recurrent Neural Network (RNN), yaitu Long Short-Term Memory (LSTM), Bidirectional LSTM (BiLSTM), Gated Recurrent Unit (GRU), dan Bidirectional GRU (BiGRU) untuk mengklasifikasi transaksi penipuan. Dalam penyusunan model, dilakukan penyeimbangan data menggunakan metode random undersampling untuk mengatasi ketidakseimbangan kelas yang ekstrem pada data. Selain itu, dilakukan optimasi hyperparameter melalui metode Grid Search dan pengujian model dengan serta tanpa mekanisme Attention. Metrik evaluasi utama difokuskan pada nilai Recall dan F1-Score. Hasil evaluasi menunjukkan bahwa penambahan mekanisme Attention tidak memberikan peningkatan performa yang signifikan. Dengan memprioritaskan metrik Recall untuk meminimalkan lolosnya transaksi penipuan, diperoleh bahwa model GRU 2 hidden layer 32 neuron dengan mekanisme Attention dan BiGRU 1 hidden layer 32 neuron tanpa mekanisme Attention mampu menghasilkan nilai Recall tertinggi sebesar 98.17%. Model BiGRU mencatatkan nilai F1-Score sebesar 97.49% dan Precision sebesar 96.83%, sementara model GRU memperoleh F1-Score sebesar 97.42% dan Precision sebesar 96.69%. Pengujian Cross-Validation menunjukkan bahwa kedua arsitektur model tersebut bersifat sangat robust dan keandalannya terutama berasal dari arsitektur jaringan.