OPTIMALISASI PARAMETER SCALE POS WEIGTH PADA XGBOOST BERBASIS ALGORITMA GENETIKA UNTUK DETEKSI FRAUD YANG PRESISI

Abstract

Deteksi fraud pada transaksi keuangan merupakan permasalahan penting dalam sistem keamanan digital, terutama karena karakteristik data yang sangat tidak seimbang (imbalanced), dimana jumlah transaksi normal jauh lebih besar dibandingkan transaksi fraud. Ketidakseimbangan ini menyebabkan model klasifikasi cenderung bias terhadap kelas mayoritas sehingga menurunkan kemampuan dalam mendeteksi fraud.Penelitian ini bertujuan untuk mengoptimalkan parameter scale_pos_weight pada algoritma XGBoost guna meningkatkan performa deteksi fraud yang lebih presisi. Adapun rumusan masalah dalam penelitian ini adalah: (1) Apa hasil kinerja model sebelum menggunakan parameter scale_pos_weight? (2) Apa hasil kinerja model setelah menggunakan parameter scale_pos_weight? (3) Apa hasil kinerja model setelah dilakukan optimasi menggunakan algoritma genetika? (4) Bagaimana perbandingan kinerja model sebelum menggunakan scale_pos_weight, setelah menggunakan scale_pos_weight, dan setelah dilakukan optimasi menggunakan algoritma genetika?Metode yang digunakan meliputi eksplorasi data (Exploratory Data Analysis), pemodelan menggunakan XGBoost tanpa parameter, dengan parameter scale_pos_weight, serta optimasi parameter menggunakan Algoritma Genetika (Genetic Algorithm). Evaluasi model dilakukan menggunakan metrik AUPRC, precision, recall, dan F1-score yang sesuai untuk dataset tidak seimbang.Hasil penelitian berdasarkan confusion matrix menunjukkan perbedaan kinerja yang signifikan pada setiap skenario. Pada model baseline sebelum memakai scale_pos_weight, diperoleh nilai TN=56850(data Normal), FP=14(data normal namun ditandai tidak normal, FN=23(data fraud namun ditandai normal), dan TP=75(data fraud), yang menunjukkan precision tinggi namun recall masih terbatas karena masih terdapat sejumlah fraud yang tidak terdeteksi. Pada model dengan parameter scale_pos_weight, terjadi peningkatan recall dengan FN menurun menjadi 9 dan TP meningkat menjadi 89, namun diikuti lonjakan FP menjadi 1044 yang menyebabkan precision menurun drastis.Setelah dilakukan optimasi menggunakan Algoritma Genetika dengan nilai bobot scale_pos_weight=40.9, diperoleh hasil yang lebih seimbang dengan TN=56807, FP=57, FN=11, dan TP=87. Model ini mampu mempertahankan recall yang tinggi sekaligus menekan jumlah false positive secara signifikan dibandingkan model berbobot awal. Dengan demikian, hasil optimasi menunjukkan performa yang lebih stabil dan seimbang antara precision dan recall, sehingga lebih optimal untuk implementasi pada deteksi fraud di dunia nyata.Kesimpulannya, optimasi parameter scale_pos_weight berbasis Algoritma Genetika efektif dalam meningkatkan kinerja model XGBoost pada deteksi fraud, sehingga menghasilkan model yang lebih seimbang dan layak diterapkan pada kasus nyata.