JOISIE (Journal Of Information Systems And Informatics Engineerin.
Vol.
No.
Desember 2024.
Hlm 200-208 Received: 10 Februari 2024.
Revised: 28 Juni 2024.
Accepted: 29 Juni 2024
p- ISSN: 2503-5304
e- ISSN: 2527-3116
DETEKSI PENIPUAN KARTU KREDIT MENGGUNAKAN METODE RANDOM
FOREST
Khaerunni Salsa Billah.
Rizal Adi Saputra.
Fakultas Teknik.
Universitas Halu Oleo.
Kendari E-mail : 1khaerunnisalsabillah22062@gmail.
com, 2rizaladisaputra@gmail.
Abstract The increasing use of credit cards in Indonesia has raised concerns about the potential for fraud in these transactions.
Data from Bank Indonesia shows that the number of credit cards in circulation in August 2023 reached 17.
69 million, with transaction volume reaching 28,360 transactions as of May The high transaction volume and fast processing speed make manual monitoring impossible.
Therefore, automatic monitoring is needed to prevent fraud in credit card transactions.
This research aims to develop a machine learning-based credit card transaction fraud detection system using the Random Forest algorithm.
Random Forest is used for classification, regression, and other tasks.
credit card transaction dataset from 2023 consisting of more than 550,000 data was used in this The research results show that of the total 568,630 records in the dataset, there were 113,726 records that were detected as fraudulent based on the classification model used.
Through Random Forest analysis, features V4.
V11.
V22.
V21, and V27 were identified as the most influential in detecting fraud.
The developed model shows an accuracy rate of around 96.
53%, supported by the roc_auc_score method which categorizes it as very good.
Keywords: Credit Card Detection.
Fraud.
Machine learning.
Random Forest Abstrak Meningkatnya penggunaan kartu kredit di Indonesia menimbulkan kekhawatiran mengenai potensi penipuan dalam transaksi tersebut.
Data dari Bank Indonesia menunjukkan bahwa jumlah kartu kredit yang beredar pada Agustus 2023 mencapai 17,69 juta, dengan volume transaksi mencapai 28.
transaksi per Mei 2022.
Volume transaksi yang tinggi dan kecepatan pemrosesan yang cepat membuat pengawasan manual tidak memungkinkan.
Oleh karena itu, diperlukan pengawasan otomatis untuk mencegah tindak penipuan dalam transaksi kartu kredit.
Penelitian ini bertujuan mengembangkan sistem pendeteksi penipuan transaksi kartu kredit berbasis Machine learning dengan menggunakan algoritma Random Forest.
Random Forest digunakan untuk klasifikasi, regresi, dan tugas-tugas Dataeset transaksi kartu kredit dari tahun 2023 yang terdiri lebih dari 550.
000 data digunakan dalam penelitian ini.
Hasil penelitian menunjukkan bahwa dari total 568.
630 record dalam dataset, terdapat sejumlah 113.
726 record yang terdeteksi sebagai penipuan berdasarkan model klasifikasi yang digunakan.
Melalui analisis Random Forest, fitur V4.
V11.
V22.
V21, dan V27 diidentifikasi sebagai yang paling berpengaruh dalam mendeteksi penipuan.
Model yang dikembangkan menunjukkan tingkat akurasi sekitar 96,53%, didukung oleh metode roc_auc_score yang mengkategorikannya sebagai sangat baik.
Kata Kunci: Deteksi Kartu Kredit.
Penipuan.
Machine learning.
Random Forest
PENDAHULUAN
Pertumbuhan teknologi informasi dan kemajuan dalam sistem keuangan modern telah membawa manfaat yang signifikan bagi masyarakat.
Namun, kemajuan ini juga membuka peluang baru bagi berbagai jenis kejahatan keuangan, termasuk penipuan kartu kredit.
Perkembangan ekonomi yang cepat menuntut terjadinya transaksi keuangan secara berlanjut, menjadikan pembayaran tunai dianggap sebagai metode yang ketinggalan zaman.
Terlebih lagi, dengan munculnya sarana jual-beli https://doi.
org/10.
35145/joisie.
JOISIE licensed under a Creative Commons Attribution-ShareAlike 4.
0 International License (CC BY-SA 4.
201 | Jurnal JOISIE.
Volume 8.
Nomor 2.
Desember 2024 dan transaksi online saat ini, perilaku konsumen dan bisnis menjadi lebih praktis dan instan (Hendarsyah et al.
, 2.
Kemudahan akses informasi dapat meningkatkan risiko penyalahgunaan informasi, terutama dalam tindak kejahatan seperti penipuan, penyerangan, dan berbagai kasus lainnya (Pourhabibi et al.
, 2.
Salah satu bentuk manipulasi data dalam bidang e-commerce adalah penipuan kartu kredit (Dornadula & Geetha, 2.
Kartu kredit adalah alat pembayaran yang memanfaatkan layanan dari bank atau perusahaan tertentu untuk melakukan transaksi jual beli, baik untuk membeli barang maupun mendapatkan jasa (Armiani & Agustini, 2.
Saat ini, terdapat beragam cara untuk melakukan cicilan, salah satunya adalah dengan menggunakan Visa atau kartu kredit (Batubara et al.
, 2.
Banyak masyarakat memilih menggunakan kartu kredit karena berbagai keuntungan yang ditawarkan.
Salah satu keuntungan utamanya adalah pemilik kartu kredit dapat melakukan transaksi tanpa perlu membawa uang tunai.
Selain itu, penerbit dan penyedia layanan kartu kredit seringkali memberikan berbagai penawaran menarik, seperti hadiah untuk pemegang kartu yang aktif bertransaksi, penawaran pinjaman jangka pendek tanpa bunga dengan syarat tertentu, serta jaminan transaksi yang andal dan nyaman.
Faktor-faktor ini membuat masyarakat semakin tertarik untuk menggunakan kartu kredit dalam kegiatan finansial mereka.
Namun, seiring dengan meningkatnya penggunaan kartu kredit, tindak penipuan kartu kredit pun ikut meningkat sehingga dapat menyebabkan kerugian keuangan yang tidak sedikit (Ambarwati.
Pada akhir tahun 2013.
Asosiasi Kartu Kredit Indonesia (AKKI) mencatat bahwa jumlah kartu kredit yang beredar telah mencapai 15.
Angka ini menunjukkan bahwa penggunaan kartu kredit di Indonesia berkembang sangat pesat (Alhamdani et al.
, 2.
Kemudian pada tahun 2020, berdasarkan data Asosiasi Kartu Kredit Indonesia (AKKI), pengguna kartu kredit mengalami peningkatan dengan jumlah mencapai 16.
Berdasarkan data Statistik Sistem Pembayaran dan Infrastruktur Pasar Keuangan (SPIP) yang diterbitkan oleh Bank Indonesia pada Juni 2022, terlihat bahwa jumlah kartu kredit yang beredar di Indonesia mengalami peningkatan signifikan selama 10 tahun terakhir.
Pada bulan Mei 2022, jumlah kartu kredit yang beredar mencapai 16.
263 unit, meningkat sekitar 2 juta unit dibandingkan dengan jumlah pada tahun 2012 yang sebanyak 14.
Kemudian, data terbaru dari BI, jumlah kartu kredit pada Agustus 2023 mencapai 17.
69 Juta, yang membuktikan pertumbuhan pengguna kartu kredit terus meningkat.
Sementara itu, volume transaksi menggunakan kartu kredit di Indonesia pada bulan Mei 2022 mencapai 28.
360 transaksi, menunjukkan peningkatan signifikan dibandingkan dengan volume transaksi pada Mei 2021 yang 452 transaksi.
Data ini mencerminkan pertumbuhan penggunaan kartu kredit dalam melakukan transaksi keuangan di Indonesia selama periode tersebut (Ningsih et al.
, 2.
Data dari Cifa menunjukkan bahwa sebanyak 33.
305 kasus penipuan kartu dilaporkan antara bulan Januari dan Juni 2018 (Sitohang et al.
, 2.
Sistem tidak dapat mengklasifikasikan sebuah transaksi secara definitif sebagai penipuan atau transaksi asli.
Sistem hanya mendeteksi kemiripan dan kemungkinan transaksi sebagai penipuan berdasarkan analisis mendalam terhadap perilaku pelanggan, kebiasaan belanja, dan pola dari penipuan sebelumnya.
Pola-pola ini digunakan untuk mengidentifikasi potensi penipuan (Jain, 2.
Tingginya angka penipuan kartu kredit menyebabkan peningkatan jumlah kasus yang terjadi dan memberikan tantangan dalam upaya pencegahannya (Febriady et al.
, 2.
Menurut laporan World Economic Forum, serangan cyber masuk dalam lima ancaman utama yang mengancam umat manusia, sejajar dengan bencana alam dan perubahan iklim.
Kejahatan dunia maya, yang fokus utamanya adalah merampas properti, termasuk pencurian aset dari rekening bank, memiliki risiko khusus (Apriwandi.
Herycson, 2.
Dengan demikian, deteksi penipuan kartu kredit sejak dini menjadi suatu keharusan.
Dari total transaksi menggunakan kartu pada tahun 2019 yang mencapai 42.
275 triliun dolar .
engalami peningkatan sebesar 4,2% dari tahun 2.
, tercatat kerugian sebesar 28,65 miliar dolar .
aik 2,9% dari tahun 2.
(Kurniawan & Yulianingsih, 2.
Menurut statistik.
Indonesia menempati peringkat kedua dalam tingkat penipuan kartu kredit, mencapai 18,3% (Kumar Manjhvar & Goyal, 2.
Penipuan ini memiliki dampak negatif bagi pemilik kartu kredit dan lembaga keuangan terkait, sehingga perlu dilakukan upaya untuk mengidentifikasi dan mencegah transaksi ilegal yang melibatkan kartu kredit.
Oleh karena itu, diperlukan metode alternatif untuk mencegah penipuan transaksi kartu kredit, seperti melakukan deteksi sedini mungkin terhadap transaksi yang berlangsung.
Namun, dengan tingginya volume transaksi dan kecepatan proses yang terus-menerus, melakukan https://doi.
org/10.
35145/joisie.
JOISIE licensed under a Creative Commons Attribution-ShareAlike 4.
0 International License (CC BY-SA 4.
Billah.
Deteksi Penipuan Kartu Kredit Menggunakan Metode Random Forest, 187-.
202 deteksi secara manual oleh manusia menjadi sangat tidak mungkin.
Solusinya adalah dengan mengembangkan sebuah sistem pendeteksi penipuan transaksi kartu kredit, yaitu sistem yang dapat secara otomatis, cepat, akurat, dan berkelanjutan mendeteksi tindakan penipuan dalam transaksi kartu kredit tanpa keterlibatan manusia secara langsung.
Pendekatan ini menggunakan teknik pembelajaran mesin .
achine learnin.
(Diana et al.
, 2.
dan algoritma yang sesuai untuk mencapai tujuan tersebut (Werdiningsih et al.
, 2.
Machine learning adalah bagian dari kecerdasan buatan yang menggunakan kecepatan komputasi tinggi dan teknik pengenalan pola untuk menganalisis data dan menghasilkan pengetahuan baru.
(Megalooikonomou & Beligiannis, 2.
Penyelesaian masalah klasifikasi dan prediksi menggunakan machine learning saat ini menjadi acuan yang dapat diandalkan karena mampu memberikan akurasi tinggi dalam menangani berbagai permasalahan (Afriyie et al.
Pada saat ini.
Machine learning telah menjadi sangat umum digunakan dalam data mining dan analisis big data.
Dalam konteks ini, pendekatan Random Forest (RF), yang merupakan bagian dari algoritma supervised learning dalam Machine learning, diterapkan dalam penelitian ini untuk memberikan solusi terbaik dalam menangani permasalahan deteksi penipuan (Lestari & Sirodj.
Beberapa metode yang telah dikembangkan untuk mendeteksi keabsahan transaksi kartu kredit telah ada sejak lama (Carcillo et al.
, 2.
Random Forest adalah algoritma machine learning yang terdiri dari kombinasi beberapa pohon keputusan untuk membentuk sebuah "hutan" dari pohon Algoritma ini bekerja dengan prinsip "kebijaksanaan kerumunan," dimana setiap pohon memberikan prediksi, dan hasil akhir ditentukan oleh mayoritas prediksi dari semua pohon.
Keunggulan utama dari Random Forest adalah kemampuannya dalam mengatasi overfitting yang sering terjadi pada algoritma pohon keputusan tunggal, serta kemampuannya dalam menangani data yang kompleks dan variatif(Fadli & Saputra, 2.
Algoritma ini juga efektif dalam menangani dataset yang besar dengan banyak fitur dan dapat memberikan estimasi mengenai fitur-fitur yang paling penting dalam klasifikasi.
Keterbaharuan dari penelitian ini terletak pada implementasi algoritma Random Forest yang dikombinasikan dengan teknik praproses data terbaru dan penyesuaian parameter yang optimal untuk mendeteksi penipuan kartu kredit dalam skala besar.
Penelitian ini juga memanfaatkan dataset terbaru dan lebih besar dibandingkan penelitian sebelumnya, memungkinkan analisis yang lebih komprehensif dan akurat.
Selain itu, penelitian ini mengintegrasikan metode validasi silang .
yang lebih canggih untuk memastikan keandalan dan generalisasi model dalam berbagai skenario transaksi.
Dengan demikian, penelitian ini tidak hanya menawarkan solusi deteksi penipuan yang lebih efektif, tetapi juga memberikan kontribusi signifikan dalam pengembangan metodologi machine learning dalam konteks keamanan keuangan.
METODE PENELITIAN
Random Forest digunakan sebagai metode untuk memprediksi mayoritas keberadaan penipuan dalam transaksi penggunaan kartu kredit.
Selanjutnya, digunakan rumus untuk menghitung akurasi dalam konteks evaluasi model yang dirumuskan sebagai berikut:
yaycoycycycaycycn = ycNycE ycNycA ycNycE yaycE ycNycA yaycA TP (True Positiv.
merupakan jumlah instance positif yang benar-benar diklasifikasikan dengan benar sebagai positif oleh model, sedangkan TN (True Negativ.
merupakan jumlah instance negatif yang benar-benar diklasifikasikan dengan benar sebagai negatif oleh model.
FP (False Positiv.
merupakan jumlah instance negatif yang salah diklasifikasikan sebagai positif oleh model, dan terakhir FN (False Negativ.
merupakan jumlah instance positif yang salah diklasifikasikan sebagai negatif oleh model.
Data yang mendukung penelitian ini diperoleh dari Kaggle, dengan 31 variabel pengukuran.
Dari 31 variabel tersebut, 29 variabel mencerminkan pola transaksi, termasuk informasi tentang waktu, https://doi.
org/10.
35145/joisie.
JOISIE licensed under a Creative Commons Attribution-ShareAlike 4.
0 International License (CC BY-SA 4.
203 | Jurnal JOISIE.
Volume 8.
Nomor 2.
Desember 2024 lokasi, dan sebagainya.
Sementara itu, 2 variabel lainnya mencakup ID dan jumlah transaksi yang dimiliki oleh setiap nasabah kartu kredit.
Keseluruhan, terdapat 568.
631 data dalam dataeset ini.
1 LANGKAH PENELITIAN
Gambar 1.
Langkah Penelitian Gambar 1 mengilustrasikan langkah-langkah penelitian untuk memprediksi kecurangan (Frau.
dengan membangun model menggunakan algoritma Random Forest dalam bahasa pemrograman Python:
Data Collecting: Langkah awal dalam penelitian ini adalah Pengumpulan data, yang melibatkan perolehan data yang relevan dan diperlukan.
Sumber data berasal dari Kaggle dengan 31 variabel Dari 31 variabel tersebut, 29 diantaranya mencerminkan pola transaksi seperti informasi terkait waktu, lokasi, dan sebagainya.
Sedangkan 2 lainnya merupakan ID dan jumlah transaksi tiap nasabah.
Terdapat 568.
631 data dalam dataeset ini.
Data Pre-Processing: Pre-processing dianggap sebagai langkah yang penting untuk mendapatkan model klasifikasi dengan kinerja tinggi dalam prediksi (Alsarhan et al.
, 2.
Dataeset akan melalui tahap Pre-Processing (Triyanto et al.
, 2.
Data Pre-Processing adalah langkah yang dilakukan pada data mentah sebelum digunakan dalam analisis.
Dalam penelitian ini, dilakukan Data Pre-Processing dengan cara menampilkan informasi terkait data seperti jumlah baris, kolom, tipe data, dll.
Setelah itu, dilakukan pengecekan apakah dalam data terdapat nilai yang hilang.
Kemudian, dilakukan Handling Missing Value yaitu penanganan nilai yang .
Building Predictive Model: Pembangunan Model Prediktif dalam penelitian ini menggunakan model regresi logistik.
Prepare Model: Model regresi logistik telah dilatih dan siap digunakan untuk memprediksi data .
Predict Test Data: Model regresi logistik digunakan untuk memprediksi data uji, kemudian hasil prediksi dievaluasi menggunakan Confusion Matrix.
2 RANDOM FOREST
Random Forest merupakan pengembangan dari metode CART (Classification and Regression Tree.
(Chairunisa et al.
, 2.
, di mana analisis dilakukan pada n observasi dan p variabel penjelas.
Proses ini melibatkan dua tahap utama, yaitu bootstrap dan pemilihan fitur acak, yang diulang sebanyak k kali untuk membentuk sebuah hutan terdiri dari k pohon.
Peningkatan signifikan dalam kinerja prediksi tercapai melalui hasil pertumbuhan sekelompok pohon dan pemilihan kelas yang paling umum.
Pada tahap bootstrap, penting untuk memastikan ukuran data yang digunakan cukup https://doi.
org/10.
35145/joisie.
JOISIE licensed under a Creative Commons Attribution-ShareAlike 4.
0 International License (CC BY-SA 4.
Billah.
Deteksi Penipuan Kartu Kredit Menggunakan Metode Random Forest, 187-.
204 besar, tidak memiliki banyak outlier, dan bukan data time series.
Dengan konsep ini.
Random Forest terbukti efektif dalam menangani berbagai jenis dataeset.
HASIL DAN PEMBAHASAN
Correlation map .
adalah representasi visual dari matriks korelasi antar-variabel dalam suatu dataeset.
Matriks korelasi mengukur sejauh mana dua variabel berkorelasi satu sama lain.
Nilai korelasi berkisar antara -1 hingga 1, di mana 1 menunjukkan korelasi positif sempurna, -1 menunjukkan korelasi negatif sempurna, dan nilai 0 menunjukkan tidak adanya korelasi antara dua variabel tersebut.
Heatmap memberikan gambaran visual yang jelas dan intuitif tentang hubungan antar-variabel dalam dataeset, di mana warna yang berbeda menggambarkan tingkat korelasi yang berbeda, membantu analisis dan pemahaman hubungan antar-variabel dengan lebih mudah.
Gambar 2.
Correlation Map Dari gambar 2, semakin gelap warnanya menandakan semakin mendekati angka 1.
0, yang berarti nilai korelasinya semakin mendekati positif sempurna.
Dari 31 field data atau fitur yang digunakan, penting untuk menentukan fitur mana yang paling relevan atau memiliki pengaruh paling signifikan terhadap hasil prediksi.
Hal ini memungkinkan kita untuk mengetahui prioritas langkah yang harus diambil dalam menyelesaikan masalah atau melakukan tindakan lebih lanjut.
Hasil perhitungan ini dapat diperoleh melalui metode Random Forest Built-in Feature Importance.
Gambar 3.
Feature Importance Dari hasil grafik Gambar 3 mengenai Feature Importance, dapat disimpulkan bahwa fitur V4.
V11.
V22.
V21, dan V27 merupakan unsur data yang memiliki pengaruh paling signifikan terhadap hasil Dengan model yang digunakan, kita dapat memvisualisasikan hasil pengujian akurasi melalui visualisasi Confusion Matrix, seperti yang ditunjukkan dalam gambar berikut:
https://doi.
org/10.
35145/joisie.
JOISIE licensed under a Creative Commons Attribution-ShareAlike 4.
0 International License (CC BY-SA 4.
205 | Jurnal JOISIE.
Volume 8.
Nomor 2.
Desember 2024 Gambar 4.
Confusion matrix dari model klasifikasi Dari hasil grafik pada Gambar 4, dapat disimpulkan bahwa model memiliki kinerja yang memadai dalam mengklasifikasikan data.
Jumlah True Negative yang mencapai sekitar 55.
000 menunjukkan kemampuan model dalam memprediksi dengan tepat transaksi yang bukan merupakan penipuan.
Namun, terdapat sejumlah False Positive sebanyak 1.
260 kali, yang mengindikasikan adanya transaksi yang salah diklasifikasikan sebagai penipuan.
Selain itu, jumlah False Negative sebanyak 689 kali menunjukkan adanya kasus transaksi penipuan yang tidak berhasil terdeteksi oleh model.
Meskipun demikian, jumlah True Positive yang mencapai 54.
287 kali menunjukkan bahwa model dapat dengan efektif mengidentifikasi transaksi penipuan.
Informasi dari Confusion Matrix ini penting untuk mengevaluasi secara holistik kualitas dan kehandalan model dalam tugas deteksi penipuan.
Rumus-rumus yang dapat digunakan untuk evaluasi lebih lanjut adalah sebagai berikut:
yaycoycycycaycycn = yaycoycycycaycycn = yaycoycycycaycycn = ycNycE ycNycA ycNycE yaycE ycNycA yaycA yaycoycycycaycycn = 0.
Dari Confusion Matrix tersebut, menghasilkan table berikut:
Tabel 1.
Classification Report Laporan klasifikasi menunjukkan bahwa model memiliki kinerja yang baik dengan akurasi keseluruhan sebesar 96,53%.
Presisi dan recall seimbang untuk kedua kelas, dengan F1-score sebesar 96,56% untuk kelas 0 dan 96,49% untuk kelas 1.
Berdasarkan perhitungan nilai prediksi menggunakan metode roc_auc_score, diperoleh nilai akurasi model sebesar 0.
Hasil ini menunjukkan bahwa model yang digunakan memiliki tingkat akurasi yang tinggi, mencapai 96%.
Dengan nilai akurasi https://doi.
org/10.
35145/joisie.
JOISIE licensed under a Creative Commons Attribution-ShareAlike 4.
0 International License (CC BY-SA 4.
Billah.
Deteksi Penipuan Kartu Kredit Menggunakan Metode Random Forest, 187-.
206 yang signifikan tersebut, dapat disimpulkan bahwa model tersebut cukup baik dalam mendeteksi kemungkinan tindak pidana penipuan kartu kredit.
Hasil penelitian menunjukkan bahwa dari total 568.
630 record dalam dataset, terdapat sejumlah 726 record yang terdeteksi sebagai penipuan berdasarkan model klasifikasi yang digunakan.
Keberhasilan model dalam memberikan prediksi yang akurat dapat memberikan keyakinan bahwa model ini efektif dalam membedakan antara transaksi yang sah dan yang berpotensi penipuan, sehingga berkontribusi positif dalam upaya keamanan dan perlindungan terhadap pengguna kartu Tabel 2.
Nilai akurasi Rentang Kategori Excellent classifications .
angat bai.
Good classifications .
Fair classifications .
Poor classifications .
Failure .
SIMPULAN Berdasarkan serangkaian pengujian terhadap model yang dikembangkan menggunakan algoritma Random Forest Classification, diperoleh kesimpulan bahwa fitur yang paling relevan adalah V4.
Hal ini diperkuat melalui visualisasi akurasi menggunakan confusion matrix dan perhitungan akurasi yang menghasilkan nilai sebesar 0.
96 atau 96,53%, yang dapat dikategorikan sebagai sangat baik.
Dengan demikian, dapat disimpulkan bahwa algoritma Random Forest Classifier dengan model yang telah dikembangkan mampu memberikan hasil yang sangat baik dalam mendeteksi penipuan kartu kredit.
Hasil penelitian menunjukkan bahwa dari total 568.
630 record dalam dataset, terdapat sejumlah 726 record yang terdeteksi sebagai penipuan berdasarkan model klasifikasi yang digunakan.
Keberhasilan ini menunjukkan kemampuan model dalam mengidentifikasi pola-pola yang mencurigakan atau tidak biasa dalam data transaksi keuangan, khususnya terkait dengan fitur yang paling relevan, yaitu V4.
Ini menjadi langkah positif dalam mengamankan transaksi kartu kredit dan memberikan keyakinan bahwa model dapat efektif memberikan peringatan dini terhadap potensi tindak pidana penipuan.
Penelitian ini menggunakan dataset yang lebih besar dan teknik praproses data yang lebih mutakhir dibandingkan dengan penelitian sebelumnya.
Dengan menggunakan metode validasi silang yang lebih canggih, model ini terbukti memiliki keandalan dan generalisasi yang lebih baik dalam berbagai skenario transaksi.
Hasil ini sejalan dengan temuan dari penelitian-penelitian sebelumnya yang juga menggunakan algoritma Random Forest untuk deteksi penipuan, namun dengan peningkatan akurasi dan efektivitas yang lebih tinggi dalam penelitian ini.
Setelah penelitian ini selesai, beberapa langkah selanjutnya yang dapat diambil adalah mengimplementasikan model ini dalam sistem transaksi keuangan nyata untuk menguji kinerja dan efektivitasnya dalam lingkungan operasional.
Selain itu, pengembangan model lebih lanjut dengan menggabungkan algoritma machine learning lain, seperti Gradient Boosting atau Deep Learning, dapat meningkatkan akurasi dan kecepatan deteksi.
Aspek keamanan data dalam proses praproses dan pelatihan model juga perlu diperkuat untuk mengurangi risiko kebocoran data dan memastikan privasi Monitoring dan pemeliharaan rutin terhadap model yang diterapkan akan memastikan model tetap relevan dan akurat seiring dengan perubahan pola transaksi dan teknik penipuan.
Bekerja sama dengan industri keuangan dan teknologi juga menjadi langkah penting untuk mengadopsi dan menyempurnakan model ini sesuai dengan kebutuhan dan tantangan yang ada di lapangan.
Dengan melakukan langkah-langkah ini, penelitian ini dapat memberikan kontribusi yang signifikan dalam upaya deteksi dan pencegahan penipuan kartu kredit, serta meningkatkan keamanan dan kepercayaan dalam sistem keuangan digital.
https://doi.
org/10.
35145/joisie.
JOISIE licensed under a Creative Commons Attribution-ShareAlike 4.
0 International License (CC BY-SA 4.
207 | Jurnal JOISIE.
Volume 8.
Nomor 2.
Desember 2024
DAFTAR PUSTAKA