Deteksi Fraud Pada Transaksi Perbankan Digital Menggunakan AutoEncoder-Enhanced Extended Isolation Forest

Abstract

Peningkatan transaksi perbankan digital turut meningkatkan risiko terjadinya penipuan (fraud). Penelitian ini mengusulkan metode deteksi fraud berbasis unsupervised learning menggunakan pendekatan Hybrid AutoEncoder–Enhanced Extended Isolation Forest (AE–EIF+). AE digunakan untuk mendeteksi penyimpangan pola transaksi normal melalui nilai reconstruction error, sedangkan EIF+ menganalisis lebih lanjut transaksi yang terindikasi mencurigakan. Evaluasi dilakukan pada dataset BankSim dan Credit Card Fraud. Hasil penelitian menunjukkan bahwa metode AE–EIF+ mampu meningkatkan akurasi dan stabilitas deteksi fraud dibandingkan model tunggal maupun kombinasi AE-EIF, terutama pada data yang sangat tidak seimbang.