Perpustakaan Digital ITB

Teknologi finansial yang berkembang pesat pada era Industry 4.0 mempermudah pelayanan transaksi finansial. Layanan teknologi finansial ini beragam bentuknya mulai dari mbanking, internet banking, digital payment dan keseluruhan layanan ini sudah lumrah digunakan oleh masyarakat umum. Tersebarnya layanan teknologi finansial ini juga didorong dengan perkembangan teknologi yang memudahkan akses hingga ke handheld device seperti smartphone. Sehingga dengan bertambah mudahnya akses, bertambah pula volum transaksi yang terjadi di era ini. Kemudahan dan semakin cepat dan banyaknya transaksi ini mengundang risiko yang dapat disalahgunakan oleh pihak tak bertanggung jawab untuk mengambil keuntungan dengan merugikan pengguna ataupun bank. Salah satu risiko tersebut adalah tindakan penipuan atau fraud. Pada pengerjaan tugas akhir ini, digunakan algoritme machine learning untuk membangun fraud detection system dengan mengimplementasikan K-nearest neighbors (KNN) dengan algoritme berbasis clustering. Algoritme KMeans, DBSCAN, dan OPTICS dipilih untuk diujikan menjadi kombinasi dengan KNN dalam implementasi fraud detection system. Implementasi dilakukan dengan melalui lima tahap sesuai dengan CRISP-DM. Yakni, mendefinisikan kebutuhan bisnis, memahami isi dan informasi dari data, persiapan dan pengolahan data, pembuatan model dan optimasi, dan pengujian serta evaluasi. Dalam tahap persiapan dan pengolahan data dilakukan penanganan data tak seimbang dengan melakukan undersampling dilanjutkan dengan feature scaling pada dataset. Pada tahap optimasi parameter dan pemodelan, digunakan metode grid search dengan k-fold cross validation pada KNN dan metode elbow method untuk clustering. Evaluasi dilakukan dengan menggunakan tujuh parameter yakni, false positive rate (FPR), area under curve, recall, precision, accuracy, F1 Score, dan durasi. Hasil dari penelitian menunjukan bahwa hasil dari evaluasi implementasi algoritme pada data uji PaySim, algoritme KNN dengan KMeans memberikan kinerja recall yang lebih baik dibandingkan dengan ketiga kombinasi lainnya. Algoritme KNN dengan KMeans memberikan kinerja FPR 0.74%, area under curve 96.64%, recall 88.45%, precision 26.46%, akurasi 99.23%, F1 score 40.73%, dengan durasi 17.9 detik.