PIPI
JOISIE (Journal Of Information Systems And Informatics Engineering)JOISIE (Journal Of Information Systems And Informatics Engineering)Meningkatnya penggunaan kartu kredit di Indonesia menimbulkan kekhawatiran mengenai potensi penipuan dalam transaksi tersebut. Data dari Bank Indonesia menunjukkan bahwa jumlah kartu kredit yang beredar pada Agustus 2023 mencapai 17,69 juta, dengan volume transaksi mencapai 28.360 transaksi per Mei 2022. Volume transaksi yang tinggi dan kecepatan pemrosesan yang cepat membuat pengawasan manual tidak memungkinkan. Oleh karena itu, diperlukan pengawasan otomatis untuk mencegah tindak penipuan dalam transaksi kartu kredit. Penelitian ini bertujuan mengembangkan sistem pendeteksi penipuan transaksi kartu kredit berbasis Machine learning dengan menggunakan algoritma Random Forest. Random Forest digunakan untuk klasifikasi, regresi, dan tugas-tugas lainnya. Dataset transaksi kartu kredit dari tahun 2023 yang terdiri lebih dari 550.000 data digunakan dalam penelitian ini. Hasil penelitian menunjukkan bahwa dari total 568.630 record dalam dataset, terdapat sejumlah 113.726 record yang terdeteksi sebagai penipuan berdasarkan model klasifikasi yang digunakan. Melalui analisis Random Forest, fitur V4, V11, V22, V21, dan V27 diidentifikasi sebagai yang paling berpengaruh dalam mendeteksi penipuan. Model yang dikembangkan menunjukkan tingkat akurasi sekitar 96,53%, didukung oleh metode roc_auc_score yang mengkategorikannya sebagai sangat baik.
Berdasarkan serangkaian pengujian terhadap model yang dikembangkan menggunakan algoritma Random Forest Classification, diperoleh kesimpulan bahwa fitur yang paling relevan adalah V4.Hal ini diperkuat melalui visualisasi akurasi menggunakan confusion matrix dan perhitungan akurasi yang menghasilkan nilai sebesar 0.96 atau 96,53%, yang dapat dikategorikan sebagai sangat baik.Dengan demikian, dapat disimpulkan bahwa algoritma Random Forest Classifier dengan model yang telah dikembangkan mampu memberikan hasil yang sangat baik dalam mendeteksi penipuan kartu kredit.Hasil penelitian menunjukkan bahwa dari total 568.630 record dalam dataset, terdapat sejumlah 113.726 record yang terdeteksi sebagai penipuan berdasarkan model klasifikasi yang digunakan.Keberhasilan ini menunjukkan kemampuan model dalam mengidentifikasi pola-pola yang mencurigakan atau tidak biasa dalam data transaksi keuangan, khususnya terkait dengan fitur yang paling relevan, yaitu V4.Ini menjadi langkah positif dalam mengamankan transaksi kartu kredit dan memberikan keyakinan bahwa model dapat efektif memberikan peringatan dini terhadap potensi tindak pidana penipuan.
Untuk penelitian lanjutan, dapat dipertimbangkan beberapa saran berikut: Pertama, mengimplementasikan model ini dalam sistem transaksi keuangan nyata untuk menguji kinerjanya dalam lingkungan operasional. Kedua, mengembangkan model lebih lanjut dengan menggabungkan algoritma machine learning lain, seperti Gradient Boosting atau Deep Learning, untuk meningkatkan akurasi dan kecepatan deteksi. Ketiga, memperkuat aspek keamanan data dalam proses praproses dan pelatihan model untuk mengurangi risiko kebocoran data dan memastikan privasi pengguna. Keempat, melakukan monitoring dan pemeliharaan rutin terhadap model yang diterapkan untuk memastikan model tetap relevan dan akurat seiring dengan perubahan pola transaksi dan teknik penipuan. Kelima, bekerja sama dengan industri keuangan dan teknologi untuk mengadopsi dan menyempurnakan model ini sesuai dengan kebutuhan dan tantangan yang ada di lapangan.
- DETEKSI PENIPUAN KARTU KREDIT MENGGUNAKAN METODE RANDOM FOREST | JOISIE (Journal Of Information Systems... doi.org/10.35145/joisie.v8i2.4064DETEKSI PENIPUAN KARTU KREDIT MENGGUNAKAN METODE RANDOM FOREST JOISIE Journal Of Information Systems doi 10 35145 joisie v8i2 4064
- ANALISIS KLASIFIKASI BENCANA BANJIR BERDASARKAN CURAH HUJAN MENGGUNAKAN ALGORITMA NAÃVE BAYES... doi.org/10.35145/joisie.v5i2.1785ANALISIS KLASIFIKASI BENCANA BANJIR BERDASARKAN CURAH HUJAN MENGGUNAKAN ALGORITMA NAyEAaVE BAYES doi 10 35145 joisie v5i2 1785
| File size | 343.03 KB |
| Pages | 9 |
| DMCA | Report |
Related /
PIPI YouTube menjadi platform utama untuk menyebarkan informasi dan masyarakat beropini. Penelitian ini bertujuan untuk mengidentifikasi sentimen publik mengenaiYouTube menjadi platform utama untuk menyebarkan informasi dan masyarakat beropini. Penelitian ini bertujuan untuk mengidentifikasi sentimen publik mengenai
PIPI Dengan aplikasi tersebut, efisiensi pemberian pakan meningkat dan kualitas serta kuantitas telur meningkat dari 60 % menjadi 97 %. Aplikasi juga menyediakanDengan aplikasi tersebut, efisiensi pemberian pakan meningkat dan kualitas serta kuantitas telur meningkat dari 60 % menjadi 97 %. Aplikasi juga menyediakan
UWMYUWMY Penelitian ini bertujuan menganalisis potensi dan tantangan yang dihadapi UMKM di Desa Cibeber menggunakan pendekatan SWOT, dengan fokus pada kekuatan,Penelitian ini bertujuan menganalisis potensi dan tantangan yang dihadapi UMKM di Desa Cibeber menggunakan pendekatan SWOT, dengan fokus pada kekuatan,
PIPI Salah satu inovasi yang berpotensi meningkatkan efisiensi ini adalah teknologi pengolahan citra digital. Pisang, sebagai komoditas pertanian yang pentingSalah satu inovasi yang berpotensi meningkatkan efisiensi ini adalah teknologi pengolahan citra digital. Pisang, sebagai komoditas pertanian yang penting
PIPI Solusi yang ditawarkan dalam penelitian ini adalah sistem pemesanan berbasis web yang dibangun menggunakan Next. js dan Prisma ORM dengan metodologi AgileSolusi yang ditawarkan dalam penelitian ini adalah sistem pemesanan berbasis web yang dibangun menggunakan Next. js dan Prisma ORM dengan metodologi Agile
PIPI Pengujian algoritma K-Nearest Neighbor (K-NN) dalam prediksi penjualan obat-obatan ini menggunakan Confusion Matrix memperoleh tingkat akurasi yang baikPengujian algoritma K-Nearest Neighbor (K-NN) dalam prediksi penjualan obat-obatan ini menggunakan Confusion Matrix memperoleh tingkat akurasi yang baik
PIPI Teknik analisis data dilakukan dengan menggunakan Partial Least Squares – Structural Equation Modeling (PLS-SEM) menggunakan software SmartPLS. SetelahTeknik analisis data dilakukan dengan menggunakan Partial Least Squares – Structural Equation Modeling (PLS-SEM) menggunakan software SmartPLS. Setelah
STIE MUTTAQIENSTIE MUTTAQIEN Jumlah populasi yang tepat tidak diketahui. Responden dalam penelitian ini adalah 100 orang pada satuan kerja di lingkungan Sekretariat Jenderal KementerianJumlah populasi yang tepat tidak diketahui. Responden dalam penelitian ini adalah 100 orang pada satuan kerja di lingkungan Sekretariat Jenderal Kementerian
Useful /
PIPI Sistem informasi persediaan barang menjadi solusi yang efektif dalam mengelola dan memantau stok barang di perusahaan. Metode pengelolaan manual seringSistem informasi persediaan barang menjadi solusi yang efektif dalam mengelola dan memantau stok barang di perusahaan. Metode pengelolaan manual sering
PIPI Namun, beberapa elemen masih memerlukan perbaikan seperti kejelasan grafik, detail peta, dan tambahan tooltip. Secara keseluruhan, dashboard diharapkanNamun, beberapa elemen masih memerlukan perbaikan seperti kejelasan grafik, detail peta, dan tambahan tooltip. Secara keseluruhan, dashboard diharapkan
STIE MUTTAQIENSTIE MUTTAQIEN Dapat dilihat bahwa jumlah kesalahan dari masing-masing metode adalah Rp 23. Kesalahan dapat dipercaya secara signifikan karena data yang diproses termasukDapat dilihat bahwa jumlah kesalahan dari masing-masing metode adalah Rp 23. Kesalahan dapat dipercaya secara signifikan karena data yang diproses termasuk
STIE MUTTAQIENSTIE MUTTAQIEN Teknik analisis yang digunakan adalah analisis deskriptif dan analisis regresi linear berganda dengan bantuan aplikasi SPSS versi 24 untuk windows. HasilTeknik analisis yang digunakan adalah analisis deskriptif dan analisis regresi linear berganda dengan bantuan aplikasi SPSS versi 24 untuk windows. Hasil