DETEKSI ANOMALI PADA GENERATIF AUGMENTASI DATA TRANSAKSI KEUANGAN DENGAN MENGGUNAKAN GENERATIVE ADVERSARIAL NETWORKS

Seiring kemajuan teknologi, perkembangan kejahatan pada transaksi kartu kredit juga semakin mutakhir. Deteksi fraud terhadap kejahatan transaksi kartu kredit sudah dilakukan dengan menggunakan machine learning, namun memiliki beberapa tantangan dalam hal ketidakseimbangan data. Penelitian ini mengusulkan pendekatan dengan menggunakan generative adversarial networks untuk melakukan augmentasi data. Dengan pendekatan ini, diharapkan dapat menghasilkan kualitas data sintetis yang mendekati karakteristik data aslinya dan dapat mengatasi masalah ketidakseimbangan data. Untuk melakukan deteksi anomali, digunakan model autoencoder pada dataset yang sudah dikombinasi dengan data sintetis. Model autoencoder yang menggunakan data hasil augmentasi mengalami peningkatan pada classification report dan performa metrik. Pada perbandingan data normal terhadap fraud sebesar 90% memiliki hasil paling baik dengan nilai precision 96%, recall 90%, f1-score 93% dan accuracy 96%. Untuk performa model menghasilkan nilai ROC sebesar 94%, MCC sebesar 91% dan G-mean sebesar 94%.