DETEKSI FRAUD PADA TRANSAKSI KEUANGAN MENGGUNAKAN METODE STACKING ENSEMBLE LEARNING

Mahardika, Wildan Kristian (2023) DETEKSI FRAUD PADA TRANSAKSI KEUANGAN MENGGUNAKAN METODE STACKING ENSEMBLE LEARNING. S2 thesis, Universitas Atma Jaya Yogyakarta.

Preview	Text (Wildan Kristian Mahardika) 225312020_Bab 0.pdf Download (238kB) | Preview
Preview	Text 225312020_Bab 1.pdf Download (248kB) | Preview
Preview	Text 225312020_Bab 2.pdf Download (410kB) | Preview
	Text 225312020_Bab 3.pdf Restricted to Registered users only Download (500kB)
	Text 225312020_Bab 4.pdf Restricted to Registered users only Download (449kB)
	Text 225312020_Bab 5.pdf Restricted to Registered users only Download (1MB)
Preview	Text 225312020_Bab 6.pdf Download (304kB) | Preview

Abstract

Financial services merupakan sebuah sektor yang bergerak di bidang layanan keuangan dengan tujuan memudahkan masyarakat mengelola aset keuangannya. Dalam kurun waktu tahun 2017 hingga 2021, tercatat bahwa kasus kejahatan di sektor keuangan mengalami kenaikan dari 370.916 kasus menjadi 1.686.121 kasus. Salah satu penyebab terjadinya kejahatan tersebut adalah pada penipuan transaksi pelanggan. Cara yang dapat dilakukan untuk mengatasi masalah tersebut adalah dengan melakukan deteksi di setiap transaksi. Deteksi transaksi yang dilakukan secara manual dan konvensional rawan terjadi human error. Selain itu, semakin berkembangnya data juga membuat deteksi secara manual menjadi tidak efektif. Penelitian ini mengusulkan sebuah metode untuk mendeteksi transaksi di sebuah financial services. Deteksi fraud dilakukan menggunakan teknik stacking ensemble learning. Peneliti akan mengkombinasikan tiga algoritma machine learning, yaitu Support Vector Machine (SVM), Logistic Regression (LR), dan k- Nearest Neighbour (kNN). Sedangkan algoritma stacking ensemble learning yang digunakan yaitu Random Forest. Untuk kasus fraud detection, terjadi ketidakseimbangan kelas antara kelas fraud dan kelas non-fraud. Metode SMOTE digunakan untuk mengatasi masalah ketidakseimbangan kelas pada dataset. Hasil pengujian dilakukan menggunakan confusion matrix. Hasil membuktikan bahwa dengan menggunakan stacking ensemble learning dapat meningkatkan akurasi deteksi model dasar, yaitu sejumlah 0,14% untuk LR, 0,47% untuk SVM, dan 0,13% untuk kNN. Hasil performa stacking ensemble learning memiliki akurasi sebesar 99,78%, presisi sebesar 99,81%, recall sebesar 99,96%, dan f1-score sebesar 99,88%.

Actions (login required)

View Item