Implementasi Kombinasi Model Auto-Encoder dan Long Short-Term Memory untuk Mendeteksi Penipuan Kartu Kredit

Abstract

Penipuan kartu kredit merupakan salah satu permasalahan besar dalam industri keuangan global, terutama dengan meningkatnya volume transaksi elektronik. Dengan semakin meluasnya penggunaan kartu kredit dalam berbagai aktivitas keuangan, risiko penipuan juga semakin meningkat, yang berdampak pada kerugian finansial yang signifikan bagi individu dan lembaga keuangan. Oleh karena itu, deteksi penipuan kartu kredit menjadi prioritas penting untuk melindungi keamanan transaksi keuangan. Penelitian ini bertujuan untuk mengetahui kinerja dari kombinasi model Auto-Encoder LSTM untuk mengatasi permasalahan diatas. Pada penelitian ini, Auto-Encoder digunakan untuk mengidentifikasi dan mengekstraksi fitur-fitur penting yang relevan dari data transaksi, sementara LSTM bertanggung jawab untuk mengklasifikasikan data hasil ekstraksi tersebut. Pengujian kinerja model dilakukan dengan menggunakan confusion Matrix dan empat performance metrics yang berupa: Accuracy, Precision, Recall, dan F1-Score. Hasil evaluasi dari keempat metrik tersebut kemudian dibandingkan dengan hasil yang diperoleh dari model LSTM yang dilatih menggunakan dataset dan parameter yang sama seperti kombinasi model Auto-Encoder LSTM. Tujuan dari perbandingan ini adalah untuk menentukan model mana yang memiliki kinerja yang paling optimal dalam mendeteksi penipuan kartu kredit pada dataset balanced.