IMPROVING SUPERVISED LEARNING MODEL IN FRAUD DETECTION USING SMOTE

FARAHSYIFA MUTIARA K, Edi Winarko, Drs., M.Sc., Ph.D.

2019 | Skripsi | S1 ILMU KOMPUTER

Alat transaksi keuangan saat ini telah banyak digunakan di seluruh dunia. Berbagai jenis layanan keuangan menawarkan solusi praktis untuk mengelola keuangan. Pertumbuhan teknologi memudahkan manusia untuk melakukan transaksi keuangan. Transaksi keuangan yang terjadi saat ini disajikan tidak hanya dalam bentuk kartu debit atau kredit tetapi juga dalam bentuk uang mobile. Dengan uang seluler, orang dapat dengan mudah melakukan transaksi seperti penarikan, debit, pembayaran, dan bahkan transfer di berbagai tempat hanya dengan menggunakan alat sederhana yang merupakan ponsel mereka. Namun, kemudahan yang ditawarkan oleh layanan seperti uang seluler juga membuka celah bagi mereka yang ingin melakukan kejahatan tertentu. Dengan menyadap sistem yang berisi informasi seseorang, informasi seseorang dapat dengan mudah disalahgunakan oleh penjahat untuk mengambil keuntungan yang tidak perlu. Penelitian ini bertujuan untuk mengetahui metode terbaik untuk memecahkan masalah penipuan dalam sistem uang seluler sementara memecahkan masalah data yang tidak seimbang yang sering harus dihadapi dalam kumpulan data penipuan. Dalam penelitian ini, metode Oversampling menggunakan SMOTE Algorithm akan digunakan untuk menyelesaikan masalah ketidakseimbangan. Setelah itu, tiga metode klasifikasi, Support Vector Machine, Naive Bayes, dan Decision Tree akan digunakan untuk mengklasifikasikan dataset penipuan uang seluler. Kemudian kinerja klasifikasi akan dievaluasi dengan menghitung presisi, daya ingat, skor f1, akurasi, dan matriks kebingungan. Hasil penelitian ini menunjukkan bahwa penggunaan model klasifikasi Decision Tree dengan SMOTE adalah yang terbaik dibandingkan dengan dua model klasifikasi lainnya. Dengan nilai rata-rata evaluasi adalah 0,99 untuk presisi, 0,99 untuk recall, 0,99 untuk skor f1, dan 0,99 untuk nilai akurasi.This research aims to find out the best method for solving fraud problems in the mobile money system while solving the imbalanced data problems that often have to face in the fraud datasets. In this research, the Oversampling method using SMOTE Algorithm will be used to solve the imbalanced problem. Afterward, three classification methods, Support Vector Machine, Naive Bayes, and Decision Tree will be used to classify the mobile money fraud dataset. Then the classification performance will be evaluated by calculating the precision, recall, f1-score, accuracy, and the confusion matrix. The results of this study indicate that the use of the Decision Tree classification model with SMOTE is the best compared to the two other classification models. With an average value of evaluation are 0,99 for the precision, 0,99 for the recall, 0,99 for the f1-score, and 0,99 for the accuracy value.

In the present-time financial transaction appliance has been widely used around the world. Various types of financial services offer practical solutions for managing finances. The growth of technology makes it easier for the human to do a financial transaction. The financial transaction that happens nowadays is presented not only in the form of debit or credit card but also in the form of mobile money. With mobile money, people can easily do a transaction such as withdrawals, debit, payment, and even transfer in various places with just using a simple tool which is their mobile phone. However, the easiness offered by services such as mobile money also opening a gap to those who want to commit certain crimes. By intercepting systems that contain someone's information, someone's information can be easily misused by the criminals to take an unnecessary advantage. This research aims to find out the best method for solving fraud problems in the mobile money system while solving the imbalanced data problems that often have to face in the fraud datasets. In this research, the Oversampling method using SMOTE Algorithm will be used to solve the imbalanced problem. Afterward, three classification methods, Support Vector Machine, Naive Bayes, and Decision Tree will be used to classify the mobile money fraud dataset. Then the classification performance will be evaluated by calculating the precision, recall, f1-score, accuracy, and the confusion matrix. The results of this study indicate that the use of the Decision Tree classification model with SMOTE is the best compared to the two other classification models. With an average value of evaluation are 0,99 for the precision, 0,99 for the recall, 0,99 for the f1-score, and 0,99 for the accuracy value.

Kata Kunci : Fraud Detection, Supervised Learning, SVM, Naive Bayes, Decision tree, Oversampling, SMOTE, Mobile money