Perpustakaan Digital ITB

Mobile money transfer adalah sebuah kegiatan transaksi keuangan digital, yang dilakukan pada smartphone para penggunanya. Mobile money transfer memiliki beberapa keunggulan dibandingkan cara bertransaksi pada umumnya, yaitu dapat dilakukan dimana saja dan kapan saja secara instan. Tentunya perubahan ke arah digital ini memiliki standar keamaan yang berbeda dengan transaksi biasa. Keamanan digital yang lemah, membuka peluang untuk terjadinya pencurian dana dengan melakukan transaksi palsu kapan saja dan dimana saja secara instan. Sehingga fokus dari penelitian ini adalah membangun model yang mampu mengklasifikasikan suatu transaksi palsu. Dalam membangun suatu model supervised learning tentunya dibutuhkan data historis untuk proses pembelajaran. Dataset mengenai transaksi finansial sangat sulit untuk didapatkan; maka, pada penelitian kali ini akan digunakan dataset sintetis yang menggambarkan operasi transaksi normal yang ditambahkan dengan transaksi palsu. Data yang digunakan adalah data PaySim, yang merupakan sebuah simulasi data mobile money transfer yang didasarkan pada data transaksi asli. Model yang akan digunakan untuk mendeteksi transaksi palsu adalah Decision Tree dan Support Vector Machine, yang ditambahkan dengan metode SMOTE-Tomek Link. Pada penelitian kali ini akan dibandingkan efek dari penambahan metode SMOTE-Tomek Link serta performa dari kedua model tersebut, berdasarkan metrik AUC dan F1-Score. Dari eksperimen, disarankan bahwa model Decision Tree dengan penambahan metode SMOTE-Tomek Link merupakan model yang paling baik untuk dataset kali ini, jika dibandingkan dengan model lainnya.