Deteksi Anomali Pada Transaksi Kartu Kredit Menggunakan Adaptive Synthetic Resampling(ADASYN) dan Support Vector Machine (SVM)

Abstract

Munculnya anomali atau transaksi penipuan akibat banyaknya transaksi yang terjadi pada kartu kredit, menjadikan perlunya deteksi anomali pada transaksi kartu kredit agar tidak merugikan pihak nasabah maupun bank. Salah satu kendala deteksi anomali tersebut adalah pembentukan model matematis yaitu dataset yang memiliki distribusi kelas yang tidak seimbang. Salah satu contohnya adalah transaksi anomali kartu kredit yang mana jumlahnya lebih sedikit dibandingkan data transaksi normal yang terjadi. Walaupun transaksi penipuan hanya berjumlah sedikit, namun memiliki pengaruh yang sangat besar. Maka dari itu, diperlukan model untuk melakukan screening untuk memperkirakan transaksi penipuan. Tujuan penelitian ini adalah untuk menghasilkan data latih yang ideal dari dataset yang tidak seimbang menggunakan Adaptive Synthetic Sampling (ADASYN) agar dapat digunakan untuk proses pelatihan model Support Vector Machine (SVM). Hasil penelitian menunjukkan bahwa model SVM yang dilatih dengan mengunakan data SV yang diseimbangkan dengan ADASYN mampu mengklasifikasikan transaksi anomali dengan sangat baik.

There are anomalies or fraudulent transactions due to the large number of transactions that occur on credit cards, making it necessary to detect anomalies in credit card transactions so as not to harm the customer or bank. One of the obstacles in detecting these anomalies is the formation of mathematical models, namely datasets that have an unbalanced class distribution. One example is anomalous credit card transactions, which are fewer in number than normal transaction data. Although the transactions are only small, they have a very large impact. Therefore, a model is needed to perform screening to estimate fraudulent transactions. The purpose of this research is to produce ideal training data from an unbalanced dataset using Adaptive Synthetic Sampling (ADASYN) so that it can be used for the Support Vector Machine (SVM) model training process. The results showed that the SVM model trained using SV data balanced with ADASYN was able to classify anomalous transactions very well