Analisis Deteksi dan Pencegahan Penipuan Kartu Kredit Menggunakan Teknik Data Mining dan Machine Learning - Random Forest

Aug 5, 2026

Unggah oleh Hazel

Analisis deteksi dan pencegahan penipuan kartu kredit menggunakan pendekatan data mining dan machine learning untuk membangun model prediktif yang memisahkan transaksi sah dan transaksi berpotensi fraud. Penelitian menerapkan metode klasifikasi dengan teknik random forest berbasis decision tree, memanfaatkan voting dari banyak classifier untuk meningkatkan akurasi dan menangani hubungan non-linier. Data diambil dari Kaggle untuk periode 2019–2020 dengan beberapa kombinasi fitur, lalu dievaluasi menggunakan metrik error OBB, F-Measure, dan AUC hingga menghasilkan performa klasifikasi pada kisaran 90–100%.

BahasaIndonesian

KategoriPenelitian & Laporan

FormatPDF

Halaman4

Waktu Membaca6 mnt

AksesGratis untuk diunduh

Daftar Isi

Abstrak

Kata Kunci

Pendahuluan

Metode Penelitian

Analisis Deteksi dan Pencegahan Penipuan Kartu Kredit Menggunakan Teknik Data Mining dan Machine Learning Reva Geryansyah Afqal Magister Teknik Informatika Universitas Pamulang e-mail: [reva.geryansyah@undira.ac.id](reva.geryansyah@undira.ac.id) Abstrak—Dalam proses menganalisis penipuan kartu kredit, sebuah teknik machine learning digunakan untuk membuatsebuah model prediktif yang mampu membedakan antara transaksi yang sah dan kemungkinan penipuan, teknik data mining dan machine learning dapat diterapkan dalam menganalisis, mengidentifikasi, dan mencegah tindakan penipuanyang terjadi pada kartu kredit. menerapkan metode random forest pada klasifikasi penipuan transaksi kartu kredit berdasarkan evaluasi ketepatan klasifikasi dengan harapan metode random forest dapat memberikan hasil klasifikasi fraud atau non-fraud dengan benar.Untuk mengatasi masalah tersebut dapat dipecahkan menggunakan teknik data mining yaitu klasifikasi. Tujuan dari klasifikasi yaitu untuk memprediksi label kelas dari suatu objek berdasarkan atribut yang ada. Teknik ini adalah pemilihan data terlebih dahulu setelahnya melakukan pra-pemrosesan dan memverifikasisesuai kebutuhan. Metode yang termasuk kedalam klasifikasi diantaranya yaitu metode random forest. Random forest mampu mengatasi masalah non-linier karena didasarkan pada teknik pohon keputusan (decision tree). Konsep dasar random forest yaitu menggunakan lebih dari classifier dari metode yang sama kemudian mengkombinasikannya melalui voting untuk mendapatkan hasil dugaan klasifikasi akhir. Pada data yang di ambil dari Kaggle harus memahami data tersebut, atau Data Understanding, dimana data tersebut mengambil 1000 data pelanggan yang melakukan transaksikepada 800 pedagang, data sample tersebut dalam periode 1 Januari 2019 - 31 Desember 2020. Jumlah fitur yang digunakan yaitu 2, 3, 6 yang selanjutnya akan dicobakan pada tiap-tiap pohon untuk melihat kombinasi mana yang akan menghasilkan nilai misklasifikasi yang paling kecil untuk menentukan parameter optimal, dari perhitungan tersebut maka akan muncul nilai errorOBB yang bervariasi, maka didapatkan lah nilai F- Measure dan Nilai AUC, jika dikatakanklasifikasi yang sangat baik, maka dari keseluruhan hasil klasifikasi berada pada rentang 90-100%. Kata Kunci—Data Mining; Decision Tree; Kartu Kredit; Machine Learning; Random Forest. I. PENDAHULUAN artu kredit telah menjadi salah satu metode pembayaran yang sangat diminati di seluruh dunia, memungkinkan konsumen Kuntukpenipmuaenlakukartkuankrtraneditsakjugsia semceara prakngalamtiis dapeninnegfiskatieann.Tetayangpsii,gseniiringfikandengan meningPenyalahgunakatnyaan kartpuenggukredinaan kartu kredt menyebabkanitk,jeumrugliaahn baik bagipemilik kartu kredit maupun perusahaan pembayaran, dengankonsekuensi yang dapat berdampak negatif secara finansial dan pada citra mereka untuk menangani isu penipuan kartu kredit, penggunaan teknik data mining dan machine learning telah terbukti sangat efisien dalam mengenali pola dan tingkah laku yang mencurigakan. Dalam beberapa tahun terakhir, perkembangan analisis deteksi dan pencegahan penipuan kartu kredit menggunakan teknik ini telah meningkat dengan cepat. Data mining merupakan suatu kegiatan pengambilan informasi berharga dari data yang memiliki ukuran besar serta kompleks. Dalam situasi penipuan kartu kredit, penggunaan data mining bertujuan untuk mencari pola-pola transaksi yang tidak normal atau mencurigakan, yang dapat menunjukkan adanya kegiatan penipuan. Berbagai metode seperti metode clustering, asosiasi, danklasifikasi digunakan untuk menemukan kejanggalan dan aktivitas yang mencurigakan. Machine learning merupakan bagian darikecerdasan buatan yang memungkinkan sistem untuk mengembangkan kemampuan belajar dari data serta menghasilkan prediksiatau keputusan tanpa memerlukan pemrograman yang spesifik. Dalam proses menganalisis penipuan kartu kredit, sebuah teknik machine learning digunakan untuk membuat sebuah model prediktif yang mamp

Pertanyaan Umum

Penelitian ini bertujuan untuk apa dalam konteks penipuan kartu kredit?

Membangun model prediktif untuk membedakan transaksi yang sah dan yang kemungkinan penipuan, sekaligus membantu deteksi serta pencegahan fraud pada kartu kredit.

Metode apa yang digunakan untuk klasifikasi dalam penelitian ini?

Penelitian menggunakan teknik klasifikasi dengan metode random forest yang didasarkan pada decision tree dan dikombinasikan melalui voting dari banyak classifier.

Bagaimana proses evaluasi kinerja model dilakukan?

Model dievaluasi menggunakan metrik seperti error OBB, F-Measure, dan AUC untuk menilai ketepatan klasifikasi serta memilih parameter/ kombinasi fitur yang menghasilkan misclassification paling kecil.

Aug 5, 2026

Unggah oleh Hazel