Research Performance Dashboard
Halaman ini memvisualisasikan hasil eksperimen pencarian model terbaik. Berdasarkan benchmark, kombinasi XGBoost + Random Oversampling terpilih sebagai baseline model terbaik, yang kemudian dioptimasi menggunakan Random Search.
Benchmark: Model vs Imbalance Method
Perbandingan performa F1-Score pada berbagai skenario (termasuk Logistic Regression & Random Under).
Best Combination
XGBoost + Random Over
Analisis: XGBoost (warna Indigo) secara konsisten mengungguli model lain. Metode Random Under menghasilkan performa terburuk (F1 ~13%) karena hilangnya banyak informasi penting, sementara Random Over memberikan hasil optimal (87.3%).
Best F1 Score
Random Search Wins (0.8762)
Duration (s)
Random Search Fastest (679s)
Param Profile
Bentuk konfigurasi hyperparameter.
Detail Konfigurasi Hyperparameter
| Parameter | Random Search (Best) | Bayesian Opt | Grid Search |
|---|---|---|---|
| n_estimators | 500 | 335 | 100 |
| max_depth | 5 | 10 | 6 |
| learning_rate | 0.1 | 0.17 | 0.3 |
| colsample_bytree | 0.6 | 0.6 | 1.0 |
| subsample | 1.0 | 1.0 | 1.0 |
Detail Konfigurasi Hyperparameter Terbaik
| Parameter | Random Search (Best) | Bayesian Opt | Grid Search |
|---|---|---|---|
| n_estimators | 500 | 335 | 100 |
| max_depth | 5 | 10 | 6 |
| learning_rate | 0.1 | 0.17 | 0.3 |
| colsample_bytree | 0.6 | 0.6 | 1.0 |
Baseline Feature Importance
Fitur (variabel) mana yang paling berpengaruh dalam mendeteksi fraud?
Insight Utama: Fitur V14 adalah indikator fraud yang paling dominan dengan bobot pengaruh > 50%. Model sangat bergantung pada V14, V4, dan V12. Transaksi dengan anomali pada fitur-fitur ini memiliki kemungkinan besar terdeteksi sebagai fraud.