Perbandingan Algoritma Lightgbm,Extratrees,Support Vector Machine,Gaussian Naive Bayer Dan Catboost Untuk Klasifikasi Penipuan di Ethereum

Penipuan pada transaksi Ethereum menjadi tantangan besar dalam ekosistem blockchain, sehingga diperlukan metode deteksi yang akurat. Penelitian ini bertujuan untuk membandingkan performa lima algoritma klasifikasi, yaitu LightGBM, Extra Trees Classifier, Support Vector Machine (SVM), Gaussian Naive Bayes (GNB), dan CatBoost, dalam mendeteksi penipuan pada dataset Ethereum. Metodologi penelitian meliputi pengumpulan data transaksi, pembersihan data, seleksi fitur, pembagian dataset (12,240 data latih, 1,969 data uji), penyeimbangan kelas dengan SMOTE, transformasi data (MinMaxScaler untuk SVM, PowerTransformer untuk GNB), pelatihan model dengan parameter default, dan optimasi tuning parameter menggunakan GridSearchCV dengan validasi silang 10-fold. Hasil menunjukkan LightGBM dan CatBoost unggul dengan accuracy 99,34% pada parameter default, meningkat menjadi 99,39% setelah hyperparameter tuning pada data uji. GNB mengalami peningkatan accuracy dari 89,18% menjadi 94,92%, sementara SVM menurun dari 98,93% menjadi 98,73%. LightGBM direkomendasikan sebagai model terbaik karena performa stabil dan seimbang.

Kata Kunci: catboost, deteksi penipuan, ethereum, gaussian naive bayes, lightgbm, support vector machine