Peningkatan Akurasi Pembobotan Attribute Importance Weights pada Deteksi Fraud

Abstract

Kerugian miliaran dollar setiap tahunnya dialami oleh bank yang disebabkan oleh Fraud. Salah satu solusi untuk mengatasi kasus fraud yang dialami dunia perbankan dapat dilakukan dengan proses deteksi fraud. Pada proses deteksi Fraud, terdapat berbagai atribut PBF (Process Based Fraud) yang setiap atributnya memiliki dampak yang berbeda dalam mendeteksi fraud. Untuk menentukan bobot setiap atribut PBF digunakan metode MDL (Modified Digital Logic). Metode MDL menghasilkan attribute importance weights yang sesuai dengan dampak atribut PBF. Namun peran pakar masih sangat signifikan dalam menilai setiap attribute importance weights. Penelitian ini bertujuan untuk mengubah prosedur penentuan bobot  attribute importance weights dalam metode MDL dengan menambahkan metode Multiple Linear Regression (MLR). Dengan mengganti inputan yang sebelumnya diberikan oleh pakar menjadi perbandingan bobot atribut secara otomatis. Kemudian hasil dari kedua metode dievaluasi menggunakan confusion matrix. Berdasarkan hasil eksperimen, metode MLR menunjukkan persentase klasifikasi menggunakan semua attribute importance weights menunjukkan hasil yang lebih baik dengan akurasi sebesar 99,5%.