Model Performance
PR-AUC
0.883
Combined model
Recall
84.7%
Fraud caught
Precision
89.3%
Low false alarm
Perbandingan Strategi Imbalanced Handling
PR-AUC adalah metrik utama — bukan accuracy. Model yang selalu prediksi
"normal" sudah 99.83% accurate tapi tidak berguna.
LightGBM
SMOTE sampling_strategy=0.1
Class Weighting
RobustScaler
Threshold=0.80
Business Impact (Proyeksi Tahunan)
Berdasarkan asumsi €500 kerugian per fraud & €15 biaya per false alarm.
Dataset ≈ 2 hari, di-scale ke 1 tahun (×182.5).
Fraud Dicegah / Tahun
€7.57M+
83 kasus × €500 × 182.5
False Alarm Cost / Tahun
€16.4K
6 false alarm × €15 × 182.5
Net Benefit / Tahun
€7.55M
84.7% fraud recall rate
Metodologi — 6 Fase Pipeline
1
Data Understanding
- 284,807 transaksi, 0.172% fraud
- Imbalance ratio 1:578
- PR-AUC sebagai metrik utama
2
Exploratory Data Analysis
- Cohen's d + KS test untuk feature ranking
- Fraud peak di jam 00:00–06:00
- Card testing pattern pada amount kecil
3
Feature Engineering
- +9 fitur baru (log_amount, hour_sin/cos)
- Cyclic encoding untuk temporal
- RobustScaler untuk outlier handling
4
Modeling
- 3 strategi imbalanced handling dibanding
- LightGBM + SMOTE + Class Weight
- Threshold tuning berbasis bisnis
5
Explainability
- SHAP TreeExplainer global importance
- Waterfall plot per transaksi
- Business impact simulation
6
Deployment
- FastAPI REST endpoint di Railway
- HTML dashboard di Netlify
- Model serialization dengan joblib
Coba sistem deteksi fraud secara langsung
Masukkan data transaksi dan lihat prediksi model beserta penjelasan SHAP
yang menjelaskan mengapa suatu transaksi dicurigai fraud.
Coba Prediksi
Batch Analysis
Batch Upload