Pengenalan Anomali dan Fraud Detection

Modul ini membahas konsep dasar anomali dan perannya dalam konteks data serta kaitannya dengan fraud detection. Anomali dipahami sebagai data atau pola yang menyimpang dari perilaku normal, yang dapat menjadi indikasi kesalahan, kerusakan, atau aktivitas mencurigakan. Materi menjelaskan tiga jenis utama anomali seperti point anomaly, contextual anomaly, dan collective anomaly beserta contoh penerapannya dalam kasus nyata.

Konsep Dasar Anomali Detection

Modul ini membahas tiga pendekatan utama dalam anomaly detection supervised, unsupervised, dan semi-supervised beserta konteks penggunaannya di dunia nyata. Supervised anomaly detection bekerja berbasis data berlabel (normal vs anomali), namun memiliki keterbatasan karena membutuhkan banyak contoh anomali dan kurang adaptif terhadap pola baru. Unsupervised anomaly detection tidak bergantung pada label, fokus mempelajari pola normal lalu menandai penyimpangan, sehingga lebih fleksibel untuk data besar dan dinamis. Semi-supervised anomaly detection berada di tengah, dilatih menggunakan data normal saja untuk membangun baseline perilaku, dan menandai data yang menyimpang sebagai anomali.

Isolation Forest

Modul ini membahas konsep dasar Isolation Forest sebagai metode anomaly detection yang bekerja dengan prinsip isolasi data. Alih-alih memodelkan pola normal secara detail, metode ini menilai seberapa mudah suatu data dipisahkan melalui proses pembentukan banyak isolation tree. Data yang cepat terisolasi dipandang sebagai anomali, sementara data yang membutuhkan pemisahan lebih dalam dianggap normal.

Studi Kasus Fraud Kartu Kredit

Modul ini membahas penerapan anomaly detection menggunakan Isolation Forest pada studi kasus transaksi kartu kredit. Dataset yang digunakan berasal dari Credit Card Fraud Detection dan merepresentasikan kondisi dunia nyata dengan karakteristik ketidakseimbangan kelas antara transaksi normal dan fraud.

Evaluasi dan Interpretasi Model

Modul ini membahas tahap interpretasi hasil anomaly detection setelah model Isolation Forest dijalankan. Fokus pembahasan berada pada pembacaan confusion matrix, evaluasi metrik (precision, recall, F1-score, dan accuracy), serta pemaknaan risiko false positive dan false negative dalam konteks fraud detection yang bersifat imbalanced. Selain itu, modul ini juga menyertakan analisis visual berbasis PCA untuk melihat pola pemisahan transaksi normal dan anomali secara intuitif, termasuk fenomena overlap yang wajar pada pendekatan unsupervised. Melalui modul ini, peserta belajar menilai performa model tidak hanya dari angka, tetapi dari konteks operasional dan implikasi bisnisnya.

Submission

Modul ini membahas konsep dasar Anomaly Detection pada transaksi keuangan serta penerapan metode Isolation Forest sebagai pendekatan unsupervised learning untuk mendeteksi transaksi mencurigakan. Materi mencakup jenis-jenis anomali, perbandingan supervised–unsupervised–semi-supervised, prinsip kerja Isolation Forest, serta pemahaman parameter dan keterbatasannya. Studi kasus dilakukan pada dataset transaksi kartu kredit, meliputi tahapan data preparation, scaling, pemisahan fitur dan label evaluasi, pelatihan model, evaluasi menggunakan confusion matrix dan metrik klasifikasi, serta visualisasi hasil menggunakan PCA. Melalui modul ini, peserta tidak hanya membangun model deteksi anomali, tetapi juga belajar menginterpretasikan hasilnya dalam konteks risiko fraud dan pengambilan keputusan operasional.