UBUB

Journal of Information Technology and Computer ScienceJournal of Information Technology and Computer Science

Penelitian ini bertujuan mengembangkan metode untuk mencegah dan mendeteksi serangan siber di sistem perbankan dengan memanfaatkan teknik pembelajaran mesin. Ancaman keamanan siber semakin kompleks dan menimbulkan risiko signifikan bagi lembaga perbankan dan pelanggannya melalui berbagai jenis serangan seperti penipuan, intrusi, dan malware. Pendekatan data science menggunakan pembelajaran mesin memungkinkan identifikasi otomatis dan real-time pola aneh dalam data transaksi dan log keamanan. Penelitian ini menggunakan dataset transaksi dan log keamanan sebagai sumber data utama. Model Random Forest dan XGBoost dipilih karena kemampuannya menangani data berdimensi tinggi dan ketidakseimbangan kelas. Evaluasi model dilakukan menggunakan metrik akurasi, F1-score, dan ROC-AUC. Prototipe implementasi mencakup dashboard visualisasi untuk membantu pengguna akhir. Hasil eksperimen menunjukkan bahwa model ensemble berbasis pohon secara signifikan unggul dibandingkan SVM dalam menangani ketidakseimbangan kelas ekstrem. XGBoost mencapai kinerja terbaik dengan skor ROC-AUC 0.995, diikuti oleh Random Forest dengan 0.992, sedangkan SVM hanya mencapai 0.935. Analisis transparansi model menggunakan SHAP memperkuat bahwa frekuensi transaksi dan lonjakan jumlah transaksi merupakan prediktor paling kritis untuk mengidentifikasi penipuan. Secara keseluruhan, penelitian ini menyimpulkan bahwa integrasi XGBoost dengan pendekatan SHAP menghasilkan sistem deteksi penipuan yang tidak hanya memiliki akurasi tinggi tetapi juga interpretabilitas jelas untuk mendukung pengambilan keputusan di sektor perbankan digital.

Model XGBoost dan Random Forest menunjukkan kinerja superior dalam mendeteksi penipuan transaksi digital dibandingkan SVM, terutama dalam menangani ketidakseimbangan kelas.Analisis SHAP mengonfirmasi bahwa frekuensi transaksi dan perubahan mendadak dalam jumlah transaksi menjadi faktor kritis dalam identifikasi penipuan.Sistem deteksi yang dikembangkan mampu meningkatkan akurasi dan kejelasan interpretasi, sehingga mendukung pengambilan keputusan yang lebih efektif dalam manajemen risiko keamanan siber.

Penelitian lanjutan dapat mengembangkan model yang lebih efektif dalam menangani ketidakseimbangan kelas ekstrem dengan memanfaatkan teknik oversampling cerdas atau algoritma khusus. Selain itu, eksplorasi penggunaan pendekatan berbasis AI lainnya, seperti jaringan saraf dalam (deep learning), dapat dilakukan untuk meningkatkan akurasi deteksi penipuan. Terakhir, pengembangan sistem yang lebih transparan dan interpretable melalui teknik penjelasan model (explanable AI) dapat menjadi fokus penelitian untuk meningkatkan kepercayaan pengguna dan keandalan sistem deteksi keamanan siber.

  1. Client Challenge. client challenge javascript disabled browser please enable proceed required part site... link.springer.com/10.1007/s11235-025-01308-9Client Challenge client challenge javascript disabled browser please enable proceed required part site link springer 10 1007 s11235 025 01308 9
  2. Machine Learning Applications in Telecom and Banking | Integrated Journal for Research in Arts and Humanities.... doi.org/10.55544/ijrah.4.6.8Machine Learning Applications in Telecom and Banking Integrated Journal for Research in Arts and Humanities doi 10 55544 ijrah 4 6 8
  3. High-Recall Deep Learning: A Gated Recurrent Unit Approach to Bank Account Fraud Detection on Imbalanced... researchsquare.com/article/rs-8136120/v1High Recall Deep Learning A Gated Recurrent Unit Approach to Bank Account Fraud Detection on Imbalanced researchsquare article rs 8136120 v1
Read online
File size605.38 KB
Pages13
DMCAReport

Related /

ads-block-test