UMBUMB

Jurnal Ilmiah FIFOJurnal Ilmiah FIFO

Penelitian ini mengevaluasi performa lima algoritma supervised learning untuk deteksi penipuan kartu kredit menggunakan dataset 690 data dari Kaggle dengan teknik Random Oversampling (ROS). Model seperti k-Nearest Neighbor (k-NN), Support Vector Machine (SVM), Logistic Regression, Neural Network, dan Ensemble menunjukkan tingkat akurasi rata-rata antara 80% hingga 90% dalam mendeteksi penipuan. Kontribusi penelitian ini adalah menyediakan perbandingan sistematis beberapa algoritma klasifikasi pada dataset yang sama dengan teknik penyeimbangan data. Hasil uji coba dengan teknik random oversampling menunjukkan bahwa Neural Network (aktivasi SELU dan RELU), mencapai kinerja terbaik dengan accuracy 90%, precision 86%, recall 94%, dan nilai f1-score 90%. Pendekatan Neural Network dengan random oversampling terbukti efektif dalam meningkatkan ketepatan prediksi terhadap penipuan dalam transaksi finansial dibandingkan dengan pendekatan tanpa penggunaan sampling. Keterbatasan penelitian ini adalah ukuran dataset yang kecil (690 data) yang dapat mempengaruhi kemampuan generalisasi model.

Berdasarkan hasil dari penelitian yang telah dilakukan, dapat disimpulkan bahwa penerapan deep learning dalam prediksi penipuan menggunakan berbagai model memberikan hasil yang beragam dalam memprediksi dan mengklasifikasikan deteksi penipuan.Pada model yang digunakan seperti k-Nearest Neighbor (k-NN), Support Vector Machine (SVM), Logistic Regression, Neural Network, dan Ensemble menunjukkan tingkat akurasi rata-rata antara 80% hingga 90% dalam mendeteksi penipuan, yang mengungguli kinerja baseline tanpa sampling.Model Neural Network dengan aktivasi SELU dan RELU mencapai kinerja terbaik dengan akurasi 90%, precision 86%, recall 94%, dan f1-score 90%.Analisis dalam penelitian ini berkontribusi dalam memberikan perbandingan sistematis berbagai algoritma klasifikasi dengan teknik penyeimbangan data pada kasus deteksi penipuan kartu kredit.

Untuk meningkatkan efektivitas deteksi penipuan kartu kredit, penelitian lanjutan dapat menguji dataset yang lebih besar untuk memperkuat generalisasi model, karena dataset kecil (690 data) dalam penelitian ini mungkin terbatas dalam merepresentasikan skenario nyata. Selain itu, eksplorasi arsitektur Neural Network yang lebih kompleks, seperti menambahkan lebih banyak lapisan atau menggabungkan teknik oversampling lainnya (misalnya SMOTE), dapat meningkatkan akurasi dan ketahanan model terhadap kelas tidak seimbang. Terakhir, penelitian juga bisa fokus pada interpretasi model deep learning untuk memahami faktor-faktor kunci yang memengaruhi prediksi penipuan, sehingga hasilnya lebih mudah dipahami oleh pengguna akhir dan pihak terkait.

  1. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informas)i. penerapan deep learning deteksi penipuan transaksi... jurnal.iaii.or.id/index.php/RESTI/article/view/2952Jurnal RESTI Rekayasa Sistem dan Teknologi Informas i penerapan deep learning deteksi penipuan transaksi jurnal iaii index php RESTI article view 2952
  2. PENERAPAN TEKNIK RANDOM OVERSAMPLING UNTUK MENGATASI IMBALANCE CLASS DALAM KLASIFIKASI WEBSITE PHISHING... ejournal.itn.ac.id/index.php/jati/article/view/6006PENERAPAN TEKNIK RANDOM OVERSAMPLING UNTUK MENGATASI IMBALANCE CLASS DALAM KLASIFIKASI WEBSITE PHISHING ejournal itn ac index php jati article view 6006
Read online
File size401.43 KB
Pages8
DMCAReport

Related /

ads-block-test