Analisis Performa Komparatif Algoritma Machine Learning untuk Deteksi Fraud dalam Transaksi Blockchain

Abstract

Konteks penelitian ini didasari oleh meningkatnya kerentanan keamanan yang signifikan dalam ekosistem decentralized finance (DeFi) dan blockchain, khususnya terkait dengan aktivitas kecurangan yang semakin kompleks dan berbiaya tinggi. Metode deteksi tradisional tidak lagi memadai untuk menangani volume transaksi yang masif serta karakteristik dataset yang menunjukkan ketidakseimbangan kelas. Oleh karena itu, penelitian ini berfokus pada evaluasi dan perbandingan kinerja tiga algoritma machine learning utama Regresi Logistik, Random Forest, dan XGBoost untuk mengidentifikasi secara akurat aktivitas kecurangan dalam transaksi blockchain. Data yang digunakan adalah dataset transaksi Ethereum dari platform Kaggle. Isu ketidakseimbangan kelas dalam data diatasi melalui implementasi metodologi SMOTE (Synthetic Minority Over-sampling Technique). Kinerja setiap model dinilai secara komprehensif menggunakan metrik presisi, recall, F1-score, dan Area Under the Receiver Operating Characteristic Curve (ROC-AUC) pada data pengujian. Hasil penelitian menunjukkan superioritas XGBoost di antara ketiga algoritma, dengan mencapai akurasi 99,46%, presisi 99,69%, recall 97,86%, dan skor ROC-AUC 99,97% (25). Keunggulan ini diperkuat oleh keberhasilan XGBoost dalam meminimalkan false positives, yakni hanya 1 kejadian. Kinerja yang melampaui model Random Forest dan Regresi Logistik ini mengindikasikan bahwa metodologi gradient boosting sangat efektif dalam mendeteksi pola perilaku kecurangan yang rumit. Secara keseluruhan, temuan studi ini memberikan kontribusi yang substansial terhadap pengembangan kerangka kerja deteksi kecurangan yang otonom dan tangguh.