Deteksi anomali pada transaksi keuangan menjadi tantangan penting di era
digitalisasi karena volume data yang besar dan karakteristik data yang tidak
seimbang, dimana jumlah transaksi anomali jauh lebih sedikit dibandingkan
transaksi normal. Penelitian ini bertujuan untuk mengimplementasikan metode
Isolation Forest dalam mendeteksi anomali transaksi keuangan serta membangun
dashboard interaktif berbasis Streamlit. Penelitian menggunakan dataset transaksi
kartu kredit dari Kaggle yang terdiri dari 284.807 transaksi dengan 492 transaksi
anomali. Parameter tuning dilakukan untuk mendapatkan konfigurasi optimal
dengan variasi n_estimators (100-500) dan contamination (0.001-0.01). Hasil
penelitian
menunjukkan bahwa parameter optimal diperoleh pada
n_estimators=300 dan contamination=0.002 dengan nilai precision anomali
0,2816, recall anomali 0,2959, F1-Score anomali 0,2886, dan ROC-AUC 0,9733.
Perbandingan kondisi dataset terdapat duplikat dan dataset tanpa duplikat
menunjukkan perbedaan performa yang tidak signifikan, di mana dataset murni
menghasilkan F1-Score 0,2886 dan dataset bersih menghasilkan 0,2829. Hal ini
menandakan bahwa Isolation Forest relatif stabil terhadap keberadaan data
duplikat. Penelitian ini juga menemukan bahwa nilai ROC-AUC yang tinggi tidak
selalu diikuti dengan F1-Score yang tinggi, serta peningkatan jumlah pohon tidak
selalu meningkatkan performa model. Dashboard interaktif yang dikembangkan
berhasil menampilkan proses deteksi anomali secara bertahap dan memudahkan
pengguna dalam menginterpretasikan hasil.