Klasifikasi Penipuan Transaksi Kartu Kredit Menggunakan Metode Random Forest

Abstract

Abstract. In today's technological developments, the use of credit cards is a very easy and practical way for customers to make transactions. However, with the increasing use of credit cards, it will lead to financial fraud, namely fraudulent credit card transactions that can harm customers and the bank or company. One technique that can overcome this problem is data mining techniques, namely the classification used to predict fraudulent actions in credit card transactions. The method used is the random forest method, which is an ensemble method by applying bootstrap aggregating (bagging) and random feature selection, which combines several decision trees to form a forest, then to get the results of the final classification prediction through a voting process. The data used is credit card transaction fraud data for 2019-2020. The purpose of the results of this study is to apply the random forest method to the classification of credit card transaction fraud based on the evaluation of classification accuracy such as confusion matrix, accuracy, sensitivity, precision, f-measure and AUC value. The results of the study showed that the application of the random forest method gave very good classification results in classifying fraudulent credit card transactions.
 Abstrak. Pada perkembangan teknologi saat ini, penggunaan kartu kredit merupakan cara yang sangat mudah dan praktis digunakan pelanggan dalam melakukan transaksi. Tetapi dengan meningkatnya penggunaaan kartu kredit maka akan menimbulkan kecurangan finansial yaitu penipuan transaksi kartu kredit yang dapat merugikan nasabah maupun pihak bank atau perusahaan. Salah satu teknik yang dapat mengatasi masalah tersebut yaitu teknik data mining yaitu klasifikasi yang digunakan untuk memprediksi tindakan penipuan pada transaksi kartu kredit. Metode yang digunakan yaitu metode random forest yang merupakan metode ensemble dengan menerapkan bootstrap aggregating (bagging) dan random feature selection yaitu menggabungkan beberapa pohon keputusan sehingga membentuk hutan (forest), kemudian untuk mendapatkan hasil dugaan klasifikasi akhir melalui proses voting. Data yang digunakan yaitu data penipuan transaksi kartu kredit tahun 2019-2020. Tujuan hasil dari penelitian ini yaitu menerapkan metode random forest pada klasifikasi penipuan transaksi kartu kredit berdasarkan evaluasi ketepatan klasifikasi seperti seperti confusion matrix, akurasi, sensitivitas, presisi, f-measure dan nilai AUC. Hasil dari penelitian didapatkan bahwa penerapan metode random forest memberikan hasil klasifikasi yang sangat baik dalam mengklasifikasikan penipuan transaksi kartu kredit.

Optimization of the Artificial Neural Network Algorithm with Genetic Algorithm in Stroke Prediction

“…To measure the evaluation of model performance based on confusion matrix with accuracy and AUC value. The formula used is as follows (Lestari & Sirodj, 2022) (2)…”

Klasifikasi Tingkat Stres Saat Tidur Menggunakan Algoritma Random Forest

“…Akurasi terbaik adalah 1, sedangkan akurasi terburuk yaitu 0. Akurasi dapat dihitung dengan menggunakan persamaan (6) [19].…”

“…dengan 𝑡𝑝 : true Positive 𝑓𝑛 : false Negative4) F-MeasureF-measure didefinisikan sebagai rata-rata harmonik tertimbang dari Precision dan Recall. Biasanya digunakan untuk menggabungkan pengukuran Recall dan Precision dalam satu ukuran untuk membandingkan algoritma Machine Learning yang berbeda[19]. Rumus F-Measure didefinisikan seperti persamaan(5).…”

Klasifikasi Penipuan pada Rekening Bank menggunakan Pendekatan Ensemble Learning

“…Juga, setiap pohon tidak menggunakan semua data asli, melainkan menggunakan data model bootstrap dengan pengembalian. Keputusan kelas dibuat berdasarkan suara terbanyak dari semua pohon yang terbentuk [8].…”