Penerapan LSTM (Long Short Term Memory) untuk Mendeteksi Penipuan menggunakan Kartu Kredit

Perkembangan teknologi digital telah mendorong peningkatan signifikan dalam penggunaan transaksi non-tunai, khususnya kartu kredit. Sistem deteksi penipuan konvensional yang berbasis aturan dan metode statistik tradisional dinilai kurang efektif dalam menghadapi pola penipuan yang semakin kompleks dan dinamis. Oleh karena itu, diperlukan pendekatan yang lebih adaptif dan akurat, salah satunya melalui penerapan metode deep learning. Penelitian ini bertujuan untuk menerapkan algoritma Long Short-Term Memory (LSTM) dalam mendeteksi penipuan transaksi kartu kredit serta menganalisis kinerja model berdasarkan metrik evaluasi yang relevan. Data yang digunakan dalam penelitian ini merupakan dataset sekunder, yaitu European Credit Card Fraud Dataset 2023 yang diperoleh dari platform Kaggle, dengan total lebih dari 500.000 transaksi yang telah dilabeli sebagai transaksi fraud dan non-fraud. Tahapan penelitian meliputi pengumpulan data, prapemrosesan data, pembentukan data sekuensial, pembangunan dan pelatihan model LSTM, serta evaluasi performa model. Model LSTM dibangun menggunakan bahasa pemrograman Python dengan bantuan pustaka TensorFlow dan Keras. Evaluasi kinerja model dilakukan menggunakan metrik accuracy, precision, recall, F1-score, dan Area Under Curve–Receiver Operating Characteristic (AUC-ROC). Hasil penelitian menunjukkan bahwa model LSTM mampu mengenali pola temporal dalam transaksi kartu kredit secara efektif dan memberikan performa yang baik dalam mendeteksi transaksi penipuan. Penerapan LSTM juga terbukti mampu mengurangi tingkat kesalahan deteksi dibandingkan metode konvensional. Berdasarkan hasil yang diperoleh, dapat disimpulkan bahwa algoritma LSTM memiliki potensi yang besar untuk digunakan sebagai dasar pengembangan sistem deteksi penipuan kartu kredit yang lebih akurat dan adaptif. Penelitian ini diharapkan dapat memberikan kontribusi bagi pengembangan sistem keamanan transaksi digital serta menjadi referensi bagi penelitian selanjutnya di bidang deteksi penipuan berbasis pembelajaran mesin.