DETEKSI OUTLIER PADA TRANSAKSI KARTU KREDIT MENGGUNAKAN ALGORITME LOCAL OUTLIER FACTOR (LOF)

Penulis

Silvano S.

Pembimbing: Danang Lelono, S.Si., M. T., Dr ; Faizal Makrus, S.Kom., M.Sc., Ph.D.,


Pelaku pembobol menggunakan kartu kredit nasabah untuk penarikan tunai dan pembelian barang. Tindakan para pelaku merugikan pemilik kartu kredit yang terkena dampaknya. Pihak bank sebagai penyedia layanan juga ikut dirugikan oleh tindakan para pelaku. Semua data transaksi yang dilakukan nasabah dan pelaku pembobol telah tersimpan di dalam database bank, dapat digunakan sebagai pengetahuan untuk peringatan dini oleh pihak bank. Metode outlier analysis digunakan untuk membangun pengetahuan dengan algoritme local outlier factor yang memiliki hasil pengujian yang tinggi dan dapat digunakan pada data multivariate. Pengujian menggunakan metode sampel dan confusion matrix dengan atribut date, category, amount, dan state. Data pengujian menggunakan 1803 data transaksi dari lima nasabah, menunjukkan bahwa rata - rata hasil pengujian algoritme LOF (recall 98% dan precision 93%), lebih tinggi dibandingkan rata - rata hasil pengujian algoritme INFLO (recall 90% dan precision 69%) dan AVF (recall 79% dan precision 62%).

Perpetrators of the boycott use the customer's credit card for withdrawal of money and purchase of goods. The actions of the perpetrators harm the credit card owner affected. The bank as a service provider is also harmed by the actions of the perpetrators. All transaction data by customers and perpetrators of the person who has been stored in the database of the bank can be used as a knowledge for early warning by the bank. The outlier analysis method is used to build knowledge with a local outlier factor algorithm that has high test results and can be used on multivariate data. Testing using sample methods and confusion matrix with date, category, the amount, and State attributes. The test result uses 1803 transaction data from five customers, indicating that the average test result of LOF algorithm (98% recall and precision 93%), higher than the average test result of INFLO algorithm (90% recall and precision 69%) and AFV (recall 79% and precision 62%).

Kata kunci Kartu Kredit, Outlier Analysis, Algoritme Local Outlier Factor
Program Studi MAGISTER ILMU KOMPUTER UGM
No Inventaris
Deskripsi
Bahasa Indonesia
Jenis Tesis
Penerbit [Yogyakarta] : Universitas Gadjah Mada, 2019
Lokasi Perpustakaan Pusat UGM
File
  • Anda dapat mengecek ketersediaan versi cetak dari penelitian ini melalui petugas kami dengan mencatat nomor inventaris di atas (apabila ada)
  • Ketentuan Layanan:
    1. Pemustaka diperkenankan mengkopi cover, abstrak, daftar isi, bab pendahuluan, bab penutup/ kesimpulan, daftar pusatak
    2. Tidak diperbolehkan mengkopi Bab Tinjauan Pustaka, Bab Pembahasan dan Lampiran (data perusahaan/ lembaga tempat penelitian)
    3. Mengisi surat pernyataan, menyertakakan FC kartu identitas yang berlaku

<< kembali