MENDETEKSI KECURANGAN PADA TRANSAKSI KARTU KREDIT MENGGUNAKAN PENDEKATAN MACHINE LEARNING

Allabib, Muhammad Nashih (2025) MENDETEKSI KECURANGAN PADA TRANSAKSI KARTU KREDIT MENGGUNAKAN PENDEKATAN MACHINE LEARNING. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (1MB)
	Text (BAB I) BAB I.pdf Download (176kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (715kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (221kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (832kB)
	Text (BAB V) BAB V.pdf Download (64kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (74kB)
	Archive (SOURCE CODE) Sourcecode - 20.11.3723.zip Restricted to Repository staff only Download (2MB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (774kB)

Abstract

Kecurangan pada transaksi kartu kredit merupakan tantangan besar yang dapat menyebabkan kerugian finansial signifikan bagi institusi keuangan maupun nasabah. Dalam era digital, pendekatan manual untuk mendeteksi kecurangan seringkali tidak efektif karena volume data yang sangat besar dan kompleksitas pola kecurangan. Penelitian ini bertujuan untuk mengembangkan sistem deteksi kecurangan pada transaksi kartu kredit menggunakan pendekatan machine learning. Model machine learning seperti Logistic Regression, Random Forest, dan Gradient Boosting digunakan untuk mengklasifikasikan transaksi sebagai valid atau curang. Dataset yang digunakan adalah data transaksi kartu kredit dengan fitur yang mencakup informasi tentang perilaku transaksi. Model dilatih dan dievaluasi menggunakan metrik akurasi, presisi, recall, dan area under the receiver operating characteristic curve (AUC-ROC) untuk memastikan kinerja yang optimal. Hasil penelitian menunjukkan bahwa metode machine learning mampu mendeteksi kecurangan dengan tingkat akurasi dan presisi yang tinggi. Model Gradient Boosting, khususnya, menunjukkan performa terbaik dibandingkan metode lainnya. Implementasi sistem ini diharapkan dapat membantu lembaga keuangan dalam mengidentifikasi transaksi mencurigakan secara lebih cepat dan efisien, sehingga meminimalkan risiko kerugian akibat kecurangan. Penelitian ini juga membuka peluang untuk eksplorasi lebih lanjut, seperti penggunaan algoritma deep learning atau metode ensembel untuk meningkatkan akurasi deteksi.

Actions (login required)

View Item