Perbandingan Kinerja Isolation Forest Dan Local Outlier Factor (Lof) Untuk Deteksi Anomali Transaksi Keuangan: Studi Kasus Lhp Lkpp

Abstract

Pengelolaan keuangan negara yang transparan dan akuntabel memerlukan mekanisme pengawasan yang efektif, terutama di tengah meningkatnya volume dan kompleksitas transaksi keuangan pemerintah pusat. Kondisi ini mendorong penerapan metode deteksi anomali berbasis Unsupervised learning. Penelitian ini membandingkan kinerja algoritma Isolation Forest (IF) dan Local Outlier Factor (LOF) dalam mendeteksi anomali transaksi keuangan pemerintah pusat menggunakan studi kasus LHP LKPP tahun 2023 dan 2024. Data direkonstruksi dari dokumen LHP LKPP menjadi dataset terstruktur, kemudian melalui tahapan pembersihan data, rekayasa fitur audit-aware, encoding, normalisasi, dan reduksi dimensi menggunakan TruncatedSVD. Evaluasi dilakukan menggunakan metrik AUC-ROC, Recall, dan efisiensi waktu komputasi. Hasil menunjukkan bahwa Isolation Forest lebih unggul dalam efisiensi dan stabilitas pada data berskala besar dan tidak seimbang, sedangkan Local Outlier Factor lebih sensitif terhadap anomali lokal namun bergantung pada pemilihan parameter dan memiliki beban komputasi lebih tinggi. Penelitian ini memberikan evaluasi kontekstual penerapan deteksi anomali pada audit keuangan pemerintah Indonesia dan mendukung pengembangan sistem pendukung keputusan audit.