Klasifikasi Transaksi Penipuan Pada Kartu Kredit Menggunakan Metode Resampling Dan Pembelajaran Mesin

Abstract

The high number of credit card fraud causes a lot of losses for both users and credit service providers. Because the rate of credit card transactions is very fast, it is necessary to detect credit card fraud as early as possible. However, another challenge that is no less important is the amount of data that is imbalanced between valid and invalid transactions. One solution to the problem of data imbalance is to use a resampling method that can improve the quantity of data so that the accuracy results are good. In this study, three types of resampling methods were implemented, SMOTE, bootstrap, and jackknife. Furthermore, to validate the success of the resampling method, three types of machine learning methods were used. The machine learning methods are SVM, ANN, and random forest. From the test results, it was found that the combination of resampling SMOTE and random forest methods produced the best performance with values of accuracy, precision, recall and F1-score of 99.95%, 81.63%, 90.91% and 86.02%, respectively.

Klasifikasi Penipuan pada Rekening Bank menggunakan Pendekatan Ensemble Learning

“…Machine Learning menyediakan teknologi untuk menganalisis volume data yang besar atau mendeteksi data untuk mengubah data mentah menjadi informasi berharga. Informasi dan pengetahuan yang diperoleh dapat digunakan untuk aplikasi seperti analisis pasar, deteksi penipuan dan analisis data pelanggan [7]. XGboost dan Random Forest adalah metode klasifikasi yang berlaku.…”

“…Metode XGBoost juga diterapkan `pada penelitian Muhamad Syukron,dkk pada Tahun 2020 untuk klasifikasi tingkat penyakit Hepatitis C dan mendapatkan hasil XGBoost memiliki recall kelas sirosis yang lebih baik dibanding Random Forest [9]. Pada tahun 2022 Mukhlis Febriady,dkk yang mendeteksi Penipuan pada Kartu Kredit menggunakan metode resampling SMOTE dan Random Forest menghasilkan kinerja terbaik [7]. Penelitian yang dilakukan pada tahun 2019 oleh Faried Zamachsari,dkk dengan penerapan deep learning dalam deteksi penipuan transaksi keuangan secara elektronik mendapatkan hasil terbaik tanpa proses SMOTE dengan menggunakan Deep Learning [11].…”

“….} di mana θk adalah vektor acak yang terdistribusi secara independen dan setiap pohon unit memilih kelas yang paling populer dari input x [7].…”