Pada penelitian klasifikasi penipuan transaksi kartu kredit. Data yang dikumpulkan dari kondisi real sering kali tidak seimbang, artinya distribusi data di seluruh kelas bersifat bias atau tidak seimbang. Saat menggunakan model klasifikasi pada data yang tidak seimbang, maka kinerja model klasifikasi cenderung lebih rendah karena model klasifikasi dirancang menggunkan kelas seimbang atau jumlah fitur yang relatif sama untuk setiap kelas. Untuk mengatasi masalah ini, kami menggunakan teknik prapemrosesan data yaitu under sampling random. Data dibentuk dengan melakukan pengambilan sampel acak pada kumpulan data yang tidak seimbang.
Berikut adalah sinopsis singkat buku ini seolah-olah untuk cover belakang buku --- GENETIC PROGRAMMING UNTUK MENGOPTIMALKAN KINERJA ALGORITMA RANDOM FOREST PADA SET DATA TIDAK BALANCED PENIPUAN TRANSAKSI KARTU KREDIT MENGGUNAKAN COLABS GOOGLE Ditulis oleh Prof. Dr Suhartono, S.Si., M.Kom. Dr. Totok Chamidy, S.T., M.Kom. Syahiduz Zaman, M.Kom. --- Penelitian ini berfokus pada klasifikasi penipuan transaksi kartu kredit menggunakan metode genetik programming (GP) untuk memperbaiki kinerja algoritma random forest pada data tidak seimbang. Dengan menggunakan Google Colab, penelitian ini mengusulkan solusi untuk menangani ketidakseimbangan kelas dalam data transaksi kartu kredit. Metode yang diusulkan meliputi sumber data, preprocessing dan pemilihan fitur, penggunaan skala tangguh (robust scaling), penanganan ketidakseimbangan data dengan teknik under sampling random, dan tuning hyperparameter menggunakan algoritma genetik programming. Penelitian ini bertujuan untuk meningkatkan akurasi dan sensitivitas model klasifikasi penipuan transaksi kartu kredit. --- ini ringkas isi dan metodologi utama dari buku, memberikan gambaran tentang tujuan penelitian dan metode yang digunakan.
Unduh untuk perangkat lain: