Deteksi Hybrid Anomali Transaksi Digital dengan Optimasi Isolation Forest-K-Means untuk Peningkatan Keamanan Finansial

Abstract

Dunia transaksi digital yang semakin canggih menghadapi ancaman serius dari penipuan finansial, yang pada tahun 2021 mengakibatkan kerugian sekitar 37 miliar dolar Amerika Serikat. Mendeteksi anomali adalah kunci untuk melawan fraud ini, namun dihadapkan pada tantangan signifikan seperti data yang sangat tidak seimbang (kasus fraud jarang), pola penipu yang terus berubah, dan minimnya data berlabel. Penelitian ini memperkenalkan solusi inovatif berupa model hibrida yang mengintegrasikan Isolation Forest dan K-Means Clustering untuk meningkatkan akurasi deteksi anomali pada transaksi digital. Melalui implementasi praktis pada 2512 data transaksi, dan setelah melalui pra-pemrosesan data yang cermat, model Isolation Forest berhasil mengidentifikasi 26 transaksi sebagai anomali. Selanjutnya, algoritma K-Means mengelompokkan data ke dalam 3 klaster optimal, di mana terungkap bahwa anomali cenderung terkonsentrasi pada klaster tertentu (Klaster 0 menampung 18 dari 26 anomali), sehingga memberikan wawasan kritis mengenai pola perilaku fraud. Pendekatan hibrida Isolation Forest-K-Means ini terbukti sangat efektif dalam meningkatkan keamanan finansial dengan menawarkan metode deteksi yang lebih cerdas dan kontekstual. Penelitian ini tidak hanya memberikan kontribusi pada solusi deteksi anomali yang lebih komprehensif, tetapi juga membuka jalan untuk pengembangan lebih lanjut, termasuk integrasi dengan teknologi Deep Learning untuk menghadapi tantangan di masa depan.