DETEKSI ANOMALI MENGGUNAKAN ENSEMBLE LEARNING DAN RANDOM OVERSAMPLING PADA PENIPUAN TRANSAKSI KEUANGAN
DOI:
https://doi.org/10.23960/jitet.v12i3.4910Abstract Views: 1351 File Views: 1418
Abstract
Di era digital, transaksi keuangan semakin beralih ke metode nontunai, karena sifatnya yang nyaman dan efisien. Namun, peningkatan penggunaan kartu kredit dan transaksi online juga meningkatkan risiko kejahatan finansial. Penelitian ini mengkaji metode ensemble learning dan random oversampling dalam mendeteksi anomali pada transaksi keuangan, khususnya penipuan kartu kredit. Algoritma klasifikasi yang digunakan meliputi Decision Tree (DT), Random Forest (RF), Logistic Regression (LR), dan Naive Bayes (NB), dengan pendekatan ensemble learning seperti Bagging, Boosting, dan Stacking. Hasil penelitian menunjukkan bahwa metode ensemble learning secara signifikan meningkatkan performa deteksi penipuan dibandingkan model dasar (base model). Khususnya teknik stacking menunjukkan peningkatan AUC yang signifikan, dengan beberapa algoritma mencapai AUC sempurna (1.00). Random Forest (RF) dengan metode ensemble learning menunjukkan performa yang sangat konsisten dan optimal dalam mendeteksi anomali penipuan. Penelitian ini menegaskan bahwa metode ensemble learning, terutama stacking, efektif dalam membedakan antara transaksi sah dan mencurigakan, sehingga dapat diandalkan untuk deteksi penipuan keuangan.Downloads
References
E. M. Ginting, E. S. Siburian, M. D. Syahfitri, and H. Hasyim, “Analisis Perilaku Konsumen dan Keamanan Kartu Kredit Perbankan,” Madani: Jurnal Ilmiah Multidisiplin, vol. 1, no. 4, 2023.
M. Giswandhani and A. Z. Hilmi, “Pengaruh kemudahan transaksi non-tunai terhadap sikap konsumtif masyarakat kota makassar,” Kareba: Jurnal ilmu komunikasi, pp. 239–250, 2020.
S. Wienanto and Z. Wuragil, “Kata BNI Soal Penipuan Kartu Kredit yang Rugikan 20 Nasabahnya Rp 1 Miliar,” tempo.co.
A. E. Wardoyo, “Deteksi Penipuan Kartu Kredit Menggunakan Algoritma Memetika Dan Pencarian Tersebar,” JUSTINDO (Jurnal Sistem dan Teknologi Informasi Indonesia), vol. 8, no. 2, pp. 87–98, 2023.
M. Ahadi, “Undersampling Majority Class pada Kasus Imbalanced Dataset dan Aplikasinya Pada Deteksi Anomali Transaksi Kartu Kredit,” 2019.
L. M. Cendani and A. Wibowo, “Perbandingan Metode ensemble learning pada klasifikasi penyakit diabetes,” Jurnal Masyarakat Informatika, vol. 13, no. 1, pp. 33–44, 2022.
R. Sudiyarno, A. Setyanto, and E. T. Luthfi, “Peningkatan Performa Pendeteksian Anomali Menggunakan Ensemble Learning dan Feature Selection,” Creative Information Technology Journal, vol. 7, no. 1, pp. 1–9, 2021.
S. Situmorang and Y. Yahfizham, “Analisis Kinerja Algoritma Machine Learning Dalam Deteksi Anomali Jaringan,” Konstanta: Jurnal Matematika Dan Ilmu Pengetahuan Alam, vol. 1, no. 4, pp. 258–269, 2023.
F. Zamachsari and N. Puspitasari, “Penerapan Deep Learning dalam Deteksi Penipuan Transaksi Keuangan Secara Elektronik,” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 5, no. 2, pp. 203–212, 2021.
E. P. Sari, D. A. Febrianti, and R. H. Fauziah, “Fenomena Penipuan Transaksi Jual Beli Online Melalui Media Baru Berdasarkan Kajian Space Transition Theory,” Deviance Jurnal Kriminologi, vol. 6, no. 2, pp. 153–168, 2022.
B. Torky, “Ensemble methods for the anomaly detection in enterprise systems,” 2023.
R. V Phillips, M. J. Van Der Laan, H. Lee, and S. Gruber, “Practical considerations for specifying a super learner,” Int J Epidemiol, vol. 52, no. 4, pp. 1276–1285, 2023.
M. Alfyando, F. T. Anggraeny, and A. N. Sihananto, “Perbandingan Algoritma Random Forest dan Logistic Regression Untuk Analisis Sentimen Ulasan Aplikasi Tumbuh Kembang Anak Di Play Store,” Jurnal Sistem Informasi dan Ilmu Komputer, vol. 2, no. 1, pp. 77–86, 2024.
D. Septhya et al., “Implementasi Algoritma Decision Tree dan Support Vector Machine untuk Klasifikasi Penyakit Kanker Paru: Implementation of Decision Tree Algorithm and Support Vector Machine for Lung Cancer Classification,” MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 3, no. 1, pp. 15–19, 2023.
R. R. Burhanuddin, “KLASIFIKASI PENYAKIT PADI MELALUI CITRA DAUN MENGGUNAKAN METODE NAIVE BAYES,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 12, no. 2, 2024.
N. L. P. C. Savitri, R. A. Rahman, R. Venyutzky, and N. A. Rakhmawati, “Analisis klasifikasi sentimen terhadap sekolah daring pada twitter menggunakan Supervised Machine Learning,” Jurnal Teknik Informatika dan Sistem Informasi, vol. 7, no. 1, 2021.
R. Aryanti, T. Misriati, and R. Hidayat, “Klasifikasi Risiko Kesehatan Ibu Hamil Menggunakan Random Oversampling Untuk Mengatasi Ketidakseimbangan Data,” KLIK: Kajian Ilmiah Informatika dan Komputer, vol. 3, no. 5, pp. 409–416, 2023.
F. N. Hermawan, “Deteksi anomali pada data internet of things menggunakan model ensemble learning.,” UIN Syarif Hidayatullah Jakarta, 2021.
D. Y. Utami, E. Nurlelah, and F. N. Hasan, “Comparison of Neural Network Algorithms, Naive Bayes and Logistic Regression to predict diabetes,” Journal of Informatics and Telecommunication Engineering, vol. 5, no. 1, pp. 53–64, 2021.
