Perpustakaan Digital ITB

Pertumbuhan dunia teknologi informasi serta perkembangan laju kegiatan masyarakat khususnya dalam bidang finansial dengan bantuan alat elektronik dinilai dapat memudahkan namun juga di satu sisi dapat berpotensi memunculkan penipuan transaksi keuangan sehingga secara tidak langsung meningkatkan kasus penipuan. Pelaku penipuan terus menemukan celah dalam transaksi keuangan dan dengan menggunakan teknologi, mereka dapat melakukan kejahatan tersebut. Satu dari sekian cara untuk mendeteksi tindakan fraud dengan lebih cepat dan akurat adalah pendeteksian fraud dengan menerapkan machine learning yang diungkapkan dari sejumlah riset terdahulu. Masalah utama dalam deteksi penipuan adalah data yang sangat tidak seimbang dimana transaksi asli lebih mendominasi daripada transaksi penipuan. Model machine learning belajar dari data dan membuat pola, sehingga apabila datanya tidak seimbang maka model tersebut tidak dapat mengidentifikasi penipuan dengan benar. Penelitian ini menggunakan kombinasi metode sampling SMOTE dan Tomek Links untuk mengatasi permasalahan ketidakseimbangan data dan kemudian menggunakan algoritma Support Vector Machine (SVM) untuk klasifikasi. Hasil penelitian menunjukkan bahwa menggunakan kombinasi metode sampling SMOTE dan Tomek Links dapat meningkatkan kinerja algoritma SVM. Hal ini dapat ditunjukan pada tingginya nilai akurasi sebelum melakukan teknik resampling yaitu 94% untuk X Bank Dataset dan 95% untuk Banksim Dataset, akan tetapi model ini tidak berhasil dalam mendeteksi fraud karena ketidakseimbangan kelas pada kedua dataset ini. Setelah melakukan resampling dan hyperparameter tuning menunjukan bahwa Nilai Akurasi, Recall, Precision dan F1-Score yang dihasilkan adalah sebesar 0.91, 0.48, 0.36, 0.41 untuk X Bank Dataset dan 0.96, 0.96, 0.53, 0.68 untuk Banksim dataset.