Perpustakaan Digital ITB

Perkembangan teknologi memberikan dampak pada metode transaksi keuangan pada era dewasa ini. Kemunculan layanan transaksi mobile seperti e-banking, m-banking, digital payment dan lain sebagainya menjadi hal yang normal di masyarakat. Salah satu layanan yang sedang berkembang sekarang adalah mobile money. Layanan ini memberikan kemudahan bagi penggunanya untuk mengakses berbagai transaksi keuangan dari telepon selular, beberapa contohnya adalah Gopay, OVO, dan Dana. Dibalik kemudahan yang didapatkan oleh pengguna, terdapat risiko yang harus ditangani agar tidak menyebabkan kerugian bagi kedua belah pihak yaitu pengguna dan penyedia layanan finansial. Risiko tersebut salah satunya adalah kecurangan atau penipuan yang dapat dilihat dari transaksi yang terjadi. Dalam pengerjaan tugas akhir ini, digunakan algoritme machine learning berbasis naive bayes yang terdiri dari dua algoritme, yaitu Gaussian Naive Bayes dan Categorical Naive Bayes. Penerapan algoritme dilakukan melalui lima tahap, yakni pemahaman kebutuhan bisnis, pemahaman data, praproses data, optimasi parameter dan pemodelan, serta evaluasi. Dalam tahap praproses data dilakukan transformasi data sesuai dengan algoritme yang akan dibuat, penanganan data tidak seimbang dengan metode kombinasi oversampling dan undersampling menggunakan algoritme SMOTE dan RandomUnderSampler. Pada tahap optimasi parameter dan pemodelan, digunakan metode random search dengan algoritme k-fold cross validation. Evaluasi dilakukan dengan menggunakan empat metrik berbeda, yakni recall, specificity, precision, dan F1 score. Hasil dari penelitian ini menunjukkan bahwa ketika algoritme diterapkan pada data uji PaySim, algoritme Gaussian Naïve Bayes memberikan kinerja yang lebih baik dibanding algoritme Categorical Naïve Bayes. Algoritme Gaussian Naive Bayes dapat mencapai nilai recall 0.926540, fpr 0.190328, specificity 0.809672, auc score 0.868106, precision 0.014658, and F1 score 0.028859.