Optimasi Parameter DBSCAN menggunakan Metode Differential Evolution untuk Deteksi Anomali pada Data Transaksi Bank

Abstract

Anomali dalam data transaksi bank sering kali menandakan adanya aktivitas penipuan atau kesalahan. Penelitian ini bertujuan mendeteksi anomali pada data transaksi bank dengan optimasi parameter DBSCAN menggunakan metode Differential Evolution (DE) karena terdapat kekurangan yaitu sulitnya menentukan parameter yang tepat untuk membuat cluster yang tepat agar dapat mendeteksi anomali pada data transaksi bank dengan baik. Data yang digunakan adalah data transaksi dari Bank XYZ dengan lebih dari 1011 record data. Tahapan penelitian meliputi pengumpulan data, preprocessing data (pembersihan, normalisasi, dan transformasi data), perancangan sistem, implementasi algoritma, serta analisa dan pengujian menggunakan metode Silhouette score dan Z-score . Metode DE digunakan untuk menentukan parameter optimal MinPts dan Epsilon secara otomatis. Hasil penelitian menunjukkan bahwa penggunaan DE dapat menghasilkan parameter yang optimal, dengan peningkatan akurasi deteksi anomali menggunakan DBSCAN. Evaluasi dengan Silhouette score menunjukkan akurasi rata-rata 0.7916 dan menggunakan DBI mencapai 0.19791 paling rendah, sementara pengukuran Z-score dan MSE menunjukkan kepadatan cluster yang tinggi dengan akurasi deteksi anomali mencapai 98.41% dan 0.555537. Pendekatan DE untuk pemilihan parameter ini efektif dalam meningkatkan performa DBSCAN dalam mendeteksi anomali pada data transaksi bank. Saran untuk penelitian selanjutnya adalah meningkatkan jumlah record data dan lakukan percobaan pada variasi atribut data yang lebih beragam.