Deteksi Outlier Transaksi Keuangan Menggunakan Isolation Forest

Pendahuluan
Deteksi outlier dalam data transaksi keuangan sangat penting untuk mengidentifikasi aktivitas mencurigakan seperti penipuan atau kesalahan input. Salah satu metode yang efektif digunakan adalah Isolation Forest, algoritma unsupervised learning yang mampu mendeteksi anomali berdasarkan isolasi pohon-pohon acak. Topik ini sangat cocok sebagai skripsi atau tugas akhir, terutama bagi mahasiswa yang bekerja sama dengan tim ITS Academics atau memanfaatkan layanan jasa joki skripsi.

Dataset
Dataset berisi transaksi keuangan dengan fitur-fitur numerik yang menggambarkan karakteristik transaksi.

Algoritma Isolation Forest
Isolation Forest bekerja dengan cara memilih fitur dan nilai split secara acak, lalu membentuk pohon isolasi. Semakin cepat sebuah titik data dapat diisolasi, semakin besar kemungkinan bahwa titik tersebut adalah outlier.

Rumus panjang rata-rata path:
$c(n) = 2H(n-1) - \frac{2(n-1)}{n}$
Di mana:

• $H(i)$: harmonic number ≈ $\ln(i) + 0.5772$

• $c(n)$: rata-rata panjang path pohon untuk $n$ data

Implementasi Python

import pandas as pd
import numpy as np
from sklearn.ensemble import IsolationForest
import matplotlib.pyplot as plt
import seaborn as sns

# Contoh data transaksi
data = {
    'Amount': [100, 150, 200, 5000, 130, 120, 4000, 110, 125, 140],
    'TransactionTime': [10, 20, 30, 4000, 15, 25, 3500, 18, 22, 27],
    'BalanceBefore': [1000, 1100, 1200, 100, 1150, 1050, 200, 1080, 1120, 1130],
    'BalanceAfter': [900, 950, 1000, -4900, 1020, 930, -3800, 970, 995, 990]
}

# DataFrame
df = pd.DataFrame(data)

# Model Isolation Forest
clf = IsolationForest(contamination=0.2, random_state=42)
clf.fit(df)
df['anomaly'] = clf.predict(df)

# Visualisasi
plt.figure(figsize=(8, 6))
sns.scatterplot(x='Amount', y='TransactionTime', hue='anomaly', data=df, palette='Set1')
plt.title('Deteksi Outlier Transaksi Keuangan dengan Isolation Forest')
plt.xlabel('Jumlah Transaksi')
plt.ylabel('Waktu Transaksi')
plt.legend(title='Anomali')
plt.show()

Kesimpulan
Isolation Forest merupakan metode yang efisien untuk mendeteksi transaksi keuangan yang menyimpang dari pola umum. Dengan implementasi sederhana di Python, kita bisa mengenali potensi penipuan atau kesalahan input dalam dataset finansial. Proyek ini sangat relevan dijadikan bahan skripsi atau tugas akhir, terlebih dengan bimbingan dari tim ITS Academics atau dukungan jasa joki skripsi profesional.

Langkah selanjutnya bisa mencakup:

• Uji coba pada dataset besar dan real-time

• Integrasi dengan sistem monitoring transaksi bank

• Perbandingan performa dengan algoritma lain seperti One-Class SVM atau DBSCAN