Analisis Sistem Pendeteksi Penipuan Transaksi Kartu Kredit dengan Algoritma Machine Learning

Abstract

Meningkatnya jumlah pengguna kartu kredit di indonesia menimbulkan kekhawatiran akan terjadinya tindak penipuan transaksi kartu kredit. Banyaknya volume transaksi dan cepatnya proses transaksi yang berlangsung, membuat tidak mungkin untuk diawasi secara manual oleh manusia. Pengawasan diperlukan untuk melakukan pencegahan terhadap tindak penipuan transaksi kartu kredit. Cara terbaik yang dapat dilakukan adalah dengan memanfaatkan teknologi machine learning dan algoritmanya untuk membuat sebuah sistem yang dapat mendeteksi penipuan transaksi kartu kredit. Dalam machine learning terdapat banyak algoritma yang pada dasarnya memiliki tingkat akurasi dan efisiensi berbeda-beda. Untuk memilih algoritma apa yang paling cocok untuk memecahkan suatu masalah perlu dilakukan perbandingan antar beberapa algoritma. Pada penelitian ini akan diukur performa dari beberapa algoritma machine learning seperti decision tree (DT), random forest (RF), logistic regression (LR), dan support vector machine (SVM) untuk mendeteksi penipuan transaksi kartu kredit menggunakan data transaksi kartu kredit yang didapatkan dari Kaggle. Data yang digunakan berisi 284807 transaksi kartu kredit yang dilakukan oleh pemegang kartu di eropa selama dua hari dengan bobot transaksi normal sebanyak 99,83% dan fraud sebanyak 0,17%. Adapun langkah-langkah yang dilakukan ialah dengan melakukan preprocessing data terlebih dahulu termasuk melakukan oversampling, lalu membuat model tanpa menentukan parameter dan dengan parameter yang ditentukan dengan bantuan fungsi GridSearchCV, melatih model dengan data pelatihan, dan melakukan prediksi menggunakan data tes. Hasil dari penelitian ini yaitu didapatkan bahwa model dengan algoritma random forest memiliki nilai performa paling tinggi secara keseluruhan. Maka berdasarkan hasil tersebut dapat disimpulkan bahwa algoritma random forest adalah algoritma yang paling cocok untuk mendeteksi penipuan transaksi kartu kredit.