Machine Learning · 2026

FraudRadar Detection System

Sistem machine learning untuk mendeteksi transaksi kartu kredit yang mencurigakan dan memberi skor risiko. Hasilnya membantu tim fraud memprioritaskan transaksi yang perlu diperiksa. Model Extra Trees mencapai presisi 94,83% dan recall 77,46%.

"Executive overview" yang menampilkan metrik performa model machine learning untuk deteksi penipuan, termasuk metrik transaksi, presisi, recall, dan grafik batang berdasarkan tingkat risiko.
  • 94,83%PresisiModel Extra Trees pada data uji
  • 77,46%RecallFraud yang berhasil ditemukan
  • 55/58Alert fraud benarTiga alert merupakan false positive
Lihat sumber metric ↗
Isi studi kasus
Progres membaca studi kasus

Tujuan

Mendeteksi transaksi fraud dari data yang sangat tidak seimbang. Model mengubah hasil prediksi menjadi skor risiko yang mudah dipahami untuk mendukung investigasi manusia.

Hasil dan keterbatasan

Model menghasilkan presisi 94,83% dan recall 77,46% pada data uji. Dari 58 alert, 55 benar fraud dan 3 salah. Keterbatasan utama, dataset hanya mencakup dua hari transaksi dan sebagian besar fitur bersifat anonim.

Bukti visual

-
-
-
-
-
1 / 3

Detail teknis

Buka detail implementasi

Peran dan kontribusi

Mengerjakan seluruh proyek sendiri. Membersihkan data, membandingkan beberapa model, mengoptimalkan threshold, dan membangun dashboard Streamlit. Juga menulis unit test dan pipeline CI.

Metodologi

Membersihkan data dan menghapus duplikat. Membandingkan beberapa teknik penyeimbangan data dan beberapa model. Memilih model terbaik dan mengoptimalkan threshold keputusan. Menambahkan pengecekan kalibrasi dan monitoring drift.

Teknologi

  • Python
  • scikit-learn
  • XGBoost
  • LightGBM
  • CatBoost
  • SMOTE
  • Streamlit
  • Pandas
  • pytest
  • GitHub Actions
← Semua proyek