Analisis Komparatif Model Random Forest dan XGBoost Berdasarkan Kinerja AUC Pada Fraud Detection

Abstract

Fraud detection menjadi salah satu tantangan penting dalam sistem informasi modern, khususnya pada transaksi finansial dan digital. Berbagai penelitian telah menunjukkan performa tinggi model Random Forest dan XGBoost, namun sebagian besar evaluasi masih dilakukan pada dataset tertentu dan terbatas pada perbandingan deskriptif. Penelitian ini bertujuan melakukan analisis statistik komparatif lintas studi terhadap performa model Random Forest dan XGBoost berdasarkan nilai Area Under Curve (AUC) pada berbagai domain fraud detection. Penelitian menggunakan data sekunder dari 40 studi terdahulu yang terdiri dari 20 model Random Forest dan 20 model XGBoost. Analisis dilakukan menggunakan statistik deskriptif, uji asumsi, independent samples t-test, Mann-Whitney U test, dan effect size menggunakan Cohen’s d. Hasil penelitian menunjukkan bahwa XGBoost memiliki rata-rata AUC yang sedikit lebih tinggi dibandingkan Random Forest. Namun, hasil uji statistik dan effect size menunjukkan bahwa perbedaan tersebut tidak signifikan secara statistik maupun praktis. Selain itu, Random Forest cenderung menunjukkan performa yang lebih stabil, sedangkan XGBoost lebih sensitif terhadap karakteristik dataset dan konfigurasi model. Penelitian ini menunjukkan bahwa evaluasi performa machine learning lintas studi tidak cukup hanya berdasarkan nilai rata-rata AUC, tetapi juga perlu mempertimbangkan signifikansi statistik, effect size, stabilitas performa, dan heterogenitas antar studi. Kata Kunci – AUC; Fraud Detection; Machine Learning; Random Forest; XGBoost