ANALISIS DATA KEUANGAN MENGGUNAKAN ISOLATION FOREST UNTUK MENINGKATKAN AKURASI DETEKSI ANOMALI

Gladys Anawai  Ohyver; Jap Tji Beng; Dedi Trisnawarman; Sri Tiatri; Daniel Adolf Ohyver

doi:10.31539/zmbdyd52

Authors

Gladys Anawai Ohyver Universitas Tarumanagara
Jap Tji Beng Universitas Tarumanagara
Dedi Trisnawarman Universitas Tarumanagara
Sri Tiatri Universitas Tarumanagara
Daniel Adolf Ohyver Politeknik Pariwisata Makassar

DOI:

https://doi.org/10.31539/zmbdyd52

Abstract

Analisis data keuangan merupakan langkah penting dalam memastikan efisiensi, transparansi, dan keakuratan pengelolaan anggaran. Permasalahan umum yang sering muncul adalah adanya data yang menyimpang yang dapat mengindikasikan kesalahan pencatatan, inefisiensi, atau potensi kecurangan. Penelitian ini bertujuan menerapkan metode Isolation Forest, yaitu algoritma unsupervised learning berbasis ensemble, untuk mendeteksi anomali pada data keuangan secara otomatis. Metode ini bekerja dengan mengisolasi data yang berbeda dari pola umum melalui pembentukan pohon keputusan acak atau random partitioning. Semakin sedikit langkah yang dibutuhkan untuk mengisolasi suatu data, semakin besar kemungkinan bahwa data tersebut merupakan anomali. Hasil penelitian menunjukkan bahwa Isolation Forest efektif dalam mengidentifikasi penyimpangan dengan efisiensi tinggi dan memberikan gambaran yang objektif terhadap pola data keuangan. Kesimpulannya, metode ini berpotensi menjadi pendekatan analitik yang adaptif dan andal untuk mendukung audit serta pengawasan keuangan secara berkelanjutan.

Kata Kunci: Isolation Forest, Deteksi Anomali, Data Keuangan, Analisis Data

References

Bakumenko, A., & Elragal, A. (2022). Detecting Anomalies in Financial Data Using Machine Learning Algorithms. Systems, 10(5). https://doi.org/10.3390/systems10050130

Bernard, M. (2021). Data strategy: How to profit from a world of big data, analytics, and the Internet of Things. Kogan Page.

Hilal, W., Gadsden, S. A., & Yawney, J. (2022). Financial Fraud: A Review of Anomaly Detection Techniques and Recent Advances. Expert Systems with Applications, 193, 116429. https://doi.org/https://doi.org/10.1016/j.eswa.2021.116429

Kimball, R., & Ross, M. (2013). The Data Warehouse Toolkit: The Definitive Guide to Dimensional Modeling (Third). John Wiley & Sons, Inc.

Liu, F. T., Ting, K. M., & Zhou, Z.-H. (2008). Isolation Forest. 2008 Eighth IEEE International Conference on Data Mining, 413–422. https://doi.org/10.1109/ICDM.2008.17

Park, C. (2022). A Comparative Study for Outlier Detection Methods in High Dimensional Text Data. Journal of Artificial Intelligence and Soft Computing Research, 13, 5–17. https://doi.org/10.2478/jaiscr-2023-0001

Patel, A. A. . (2019). Hands-on unsupervised learning using Python : how to build applied machine learning solutions from unlabeled data. O’Reilly Media.

VanderPlas, J. (2023). Python data science handbook: Essential tools for working with data (2nd ed.). O’Reilly Media.

Xu, H., Pang, G., Wang, Y., & Wang, Y. (2023). Deep Isolation Forest for Anomaly Detection. IEEE Transactions on Knowledge and Data Engineering, PP, 1–14. https://doi.org/10.1109/TKDE.2023.3270293

Zulfikar, A., Rahmani, F. A., & Azizah, N. (2023). Deteksi Anomali Menggunakan Isolation Forest Belanja Barang Persediaan Konsumsi Pada Satuan Kerja Kepolisian Republik Indonesia. Jurnal Manajemen Perbendaharaan, 4(1), 1–15. https://doi.org/10.33105/jmp.v4i1.435

Lawrence, V., Beng, J. T., Wasino, W., Tiatri, S., Nurkholiza, R., Salsabila, T. M., & Sefira, F. M. (2025). Design of a data warehouse for customer segmentation prediction at PT X. INTECOMS: Journal of Information Technology and Computer Science, 8(5). https://doi.org/10.31539/he6dx426

Limbor, E. G., Beng, J. T., Arisandi, D., Tiatri, S., Nurkholiza, R., Salsabila, T. M., & Dinatha, V. O. D. (2025). Designing a data mart for optimizing clothing sales at C Store. INTECOMS: Journal of Information Technology and Computer Science, 8(5). https://doi.org/10.31539/7k3f3443

Putri, T. A., Angela, O., Ramdhani Qadriah, S. A., Trisnawarman, D., & Beng, J. T. (2024). Pengembangan Early Warning System dengan SmtpClient untuk meningkatkan kinerja manajemen data akreditasi di PTS Y. INTECOMS: Journal of Information Technology and Computer Science, 7(6). https://doi.org/10.31539/intecoms.v7i6.12876

Ruben, R., & Trisnawarman, D. (2024). Desain dashboard untuk analisis harga pangan di Indonesia. INTECOMS: Journal of Information Technology and Computer Science, 7(3). https://doi.org/10.31539/intecoms.v7i3.10402

Mok, J. A., & Trisnawarman, D. (2024). Perancangan data mart penjualan pada PT XYZ. INTECOMS: Journal of Information Technology and Computer Science, 7(6). https://doi.org/10.31539/intecoms.v7i6.12960

Ohyver, D. A., Hanafi, H., & Muhtasom, A. (2023). Homestay digital marketing in tourism villages in South Sulawesi (Case study in 3 featured tourism villages). Return: Study of Management, Economic and Business, 2(10), 1035–1051.

Masri, M., Judijanto, L., Harto, B., Ohyver, D. A., Kusumastuti, S. Y., & Rukmana, A. Y. (2025). AI dan ekonomi berbasis data: Solusi inovatif untuk pengambilan keputusan ekonomi oleh entrepreneur. Jambi: Sonpedia Publishing. ISBN 978-623-514-745-1.

Airlangga, G. (2024, April). Advanced machine learning techniques for seismic anomaly detection in Indonesia: A comparative study of LOF, Isolation Forest, and One-Class SVM. Jurnal Lebesgue: Jurnal Ilmiah Pendidikan Matematika, Matematika & Statistika, 5(1), 49-61. https://doi.org/10.46306/lb.v5i1.490

Dewa, R. P., & Windarto, W. (2024). Deteksi anomali jaringan menggunakan Isolation Forest pada log Wazuh dengan pemberitahuan WhatsApp di PT XYZ. Kresna: Jurnal Riset dan Pengabdian Masyarakat, 4(2), 208-216. https://doi.org/10.36080/kresna.v4i2.170

Yuliano, A. P. (2025). Deteksi trafik anomali berdasarkan pola trafik menggunakan Isolation Forest. COSMIC: Jurnal Ilmiah Aira