Analisis penggunaan correlation-based feature selection (CFS) pada deteksi penipuan credit card menggunakan random forest

Deteksi transaksi fraud pada sistem pembayaran elektronik merupakan permasalahan penting karena karakteristik data yang bersifat tidak seimbang (imbalanced) dan kompleks. Penelitian ini bertujuan untuk menganalisis kinerja algoritma Random Forest dalam mendeteksi transaksi fraud dengan membandingkan tiga skenario pengolahan data, yaitu Random Forest tanpa preprocessing khusus, Random Forest dengan Correlation-Based Feature Selection (CFS), serta Random Forest dengan kombinasi CFS dan Synthetic Minority Over-sampling Technique (SMOTE). Dataset yang digunakan merupakan dataset transaksi kartu kredit yang memiliki proporsi kelas fraud yang jauh lebih sedikit dibandingkan transaksi normal. Evaluasi kinerja model dilakukan menggunakan metrik akurasi, precision, recall, F1-score, dan ROC-AUC. Hasil penelitian menunjukkan bahwa Random Forest tanpa preprocessing tambahan menghasilkan performa terbaik dengan nilai F1-score dan ROC-AUC yang tinggi. Penerapan CFS tidak secara signifikan meningkatkan kinerja model, sedangkan kombinasi CFS dan SMOTE mampu meningkatkan recall kelas fraud namun menyebabkan penurunan precision secara signifikan. Hal ini mengindikasikan bahwa teknik oversampling tidak selalu memberikan peningkatan kinerja pada kasus deteksi fraud. Kesimpulan dari penelitian ini adalah bahwa Random Forest mampu menangani data fraud yang imbalance dengan baik tanpa memerlukan teknik preprocessing yang kompleks, serta pemilihan metode preprocessing harus disesuaikan dengan karakteristik data dan tujuan deteksi.