Penggunaan Data Mining Untuk Mendeteksi Penipuan Transaksi Kartu Kredit Algoritma Decision Tree
Abstract
Penipuan transaksi kartu kredit, telah menjadi ancaman serius di era digital yang semakin berkembang. Penipuan ini tidak hanya merugikan konsumen, namun juga berdampak negatif pada lembaga keuangan dan mengurangi kepercayaan masyarakat terhadap sistem perbankan. Peningkatan volume transaksi kartu kredit yang cepat dan masih membuat pengawasan manual tidak lagi memadai, sehingga dibutuhkan solusi berbasis teknologi yang efektif. Algoritma Decision Tree telah terbukti menjadi salah satu metode yang populer dalam mendeteksi penipuan transaksi. Algoritma ini membagi data menjadi subset berdasarkan atribut tertentu, menghasilkan klasifikasi model yang dapat diinterpretasikan dan akurat. Penelitian ini menunjukkan bahwa Decision Tree dapat mencapai akurasi yang sangat tinggi dalam mendeteksi transaksi penipuan kartu ktedit, mencapai hingga 98% yang menjadi pilihan ideal untuk kasus deteksi penipuan. Namun, untuk mendapatkan pemahaman yang lebih baik, algoritma ini juga dibandingkan dengan metode lain seperti Random Forest dan Support Vector Machine (SVM), yang secara keseluruhan sering menunjukkan kinerja lebih baik. Penelitian ini bertujuan untuk mengeksplorasi lebih lanjut penggunaan algoritma Decision Tree dalam mendeteksi penipuan transaksi kartu kredit dan memancarkan kinerjanya dibandingkan dengan algoritma lain.
Kata Kunci: Data mining, Deteksi penipuan, Kartu kredit, Decision Tree.
Credit card transaction fraud has become a serious threat in the increasingly developing digital era. This fraud not only harms consumers, but also has a negative impact on financial institutions and reduces public trust in the banking system. The rapid increase in the volume of credit card transactions still means that manual monitoring is no longer sufficient, so an effective technology-based solution is needed. The Decision Tree algorithm has proven to be a popular method for detecting fraudulent transactions. These algorithms divide data into subsets based on certain attributes, resulting in interpretable and accurate model classifications. This research shows that Decision Tree can achieve very high accuracy in detecting fraudulent ktedit card transactions, reaching up to 98% which is an ideal choice for fraud detection cases. However, to gain a better understanding, this algorithm was also compared with other methods such as Random Forest and Support Vector Machine (SVM), which overall often show better performance. This research aims to further explore the use of the Decision Tree algorithm in detecting fraudulent credit card transactions and demonstrate its performance compared to other algorithms.
Keywords: Data mining, Fraud detection, Credit cards, Decision Tree.
References
Afqal, R. G., Teknik, M., & Universitas, I. (2023). Analisis Deteksi dan Pencegahan Penipuan dan Machine Learning. 1, 322–325.
Baiq ismiati, S. E. I. M. H. M. E., Sapi’i, S. H. I. M. E., Imam Asrofi, S. E. I. M. E., L. M. Ikbal Patoni, S. S. M. E., Feri Irawan, S. E. I. M. E., Agus Salihin, M. E., Elfan Fanhas Fatwa Khomaeny, M. A., Kafkaylaqy, A., & premium, canva. (2022). TRANSAKSI DALAM EKONOMI ISLAM. EDU PUBLISHER. https://books.google.co.id/books?id=8SR_EAAAQBAJ
Dr. Hisar Pangaribuan SE., M. B. A. A. C. A. (n.d.). Buku Ajar: PENGANTAR AKUNTANSI. Cipta Media Nusantara. https://books.google.co.id/books?id=hlSWEAAAQBAJ
Febrian, F., & Fatah, Z. (2024). Optimasi Penentuan Paket Hemat Menggunakan Algoritma FP-Growth untuk Meningkatkan Strategi Pemasaran. 3(2), 170–177.
Hamidin, A. S. (n.d.). Tips & Trik Kartu Kredit. Media Pressindo. https://books.google.co.id/books?id=4eQ7dN8WEFcC
Indonesia, I. B. (2018). Bisnis Kredit Perbankan (Cover Baru). Gramedia Pustaka Utama. https://books.google.co.id/books?id=7xhIDwAAQBAJ
Muhammad Arhami, S. S. M. K., & Muhammad Nasir, S. T. M. T. (2020). Data Mining - Algoritma dan Implementasi. Andi Offset. https://books.google.co.id/books?id=AtcCEAAAQBAJ
Ningsih, P. T. S., Gusvarizon, M., & Hermawan, R. (2022). Analisis Sistem Pendeteksi Penipuan Transaksi Kartu Kredit dengan Algoritma Machine Learning. Jurnal Teknologi Informatika Dan Komputer, 8(2), 386–401. https://doi.org/10.37012/jtik.v8i2.1306
Rahayu, P. W., Sudipa, I. G. I., Suryani, S., Surachman, A., Ridwan, A., Darmawiguna, I. G. M., Sutoyo, M. N., Slamet, I., Harlina, S., & Maysanjaya, I. M. D. (2024). Buku Ajar Data Mining. PT. Sonpedia Publishing Indonesia. https://books.google.co.id/books?id=vCruEAAAQBAJ
Rahman, N. A., & Komputer, I. (2024). PENERAPAN DATA MINING UNTUK DETEKSI PENIPUAN KARTU KREDIT SECARA REAL-TIME. 1(6), 1–16.
Syaifudin, Y. W., Rozi, I. F., Mentari, M., & Lestari, V. A. (2018). Dasar Pemograman: Dasar Pemograman. UPT Percetakan dan Penerbitan Polinema. https://books.google.co.id/books?id=7zJyDwAAQBAJ
Wardoyo, A. E. (2023). Deteksi Penipuan Kartu Kredit Menggunakan Algoritma Memetika Dan Pencarian Tersebar. JUSTINDO (Jurnal Sistem Dan Teknologi Informasi Indonesia), 8(2), 87–98. https://doi.org/10.32528/justindo.v8i2.320
Yuliarina, A. N. (2022). COMPARISON OF PREDICTION ANALYSIS OF GOFOOD SERVICE USERS USING THE KNN & NAIVE BAYES ALGORITHM WITH RAPIDMINER SOFTWARE PERBANDINGAN ANALISIS PREDIKSI KEPUASAN PENGGUNA LAYANAN GOFOOD MENGGUNAKAN ALGORITMA KNN & NAIVE BAYES DENGAN SOFTWARE RAPIDMINER. 3(4), 847–856.