DETEKSI KECURANGAN PADA TRANSAKSI E-COMMERCE MENGGUNAKAN ALGORITMA MACHINE LEARNING

Putranto, Chessa Aninditya Anugrah (2025) DETEKSI KECURANGAN PADA TRANSAKSI E-COMMERCE MENGGUNAKAN ALGORITMA MACHINE LEARNING. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (1MB)
	Text (BAB I) BAB I.pdf Download (290kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (1MB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (395kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (1MB)
	Text (BAB V) BAB V.pdf Download (74kB)
	Text (DAFTAR PUSTAKA- LAMPIRAN) Daftar Pustaka dan Lampiran.pdf Restricted to Registered users only Download (367kB)
	Archive (SOURCE CODE) Sourcecode - 21.11.4098.zip Restricted to Repository staff only Download (884kB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (401kB)

Abstract

Fraud atau kecurangan dalam transaksi e-commerce merupakan tantangan besar yang dapat menyebabkan kerugian finansial bagi perusahaan dan konsumen. Beberapa studi sebelumnya telah mengembangkan metode deteksi fraud menggunakan algoritma Machine Learning, namun masih terdapat kendala seperti ketidakseimbangan data serta akurasi model yang belum optimal. Oleh karena itu, penelitian ini menerapkan beberapa algoritma Machine Learning, yaitu Logistic Regression, Decision Tree, Random Forest, Naïve Bayes, XGBoost, dan Support Vector Machine (SVM) untuk mendeteksi transaksi fraud berdasarkan dataset yang digunakan. Metode penelitian yang digunakan dalam penelitian ini meliputi preprocessing data, balancing data, serta pelatihan dan evaluasi model Machine Learning. Dataset yang digunakan diproses dengan teknik data cleaning, encoding data kategori, normalisasi, dan penyeimbangan data menggunakan teknik SMOTE dan SMOTETomek guna mengatasi ketidakseimbangan data antara transaksi fraud dan non-fraud. Model Machine Learning diuji menggunakan teknik crossvalidation dan dievaluasi berdasarkan metrik akurasi, presisi, recall, f1-score, dan AUC untuk menentukan performa terbaik dalam mendeteksi transaksi fraud. Hasil penelitian menunjukkan bahwa XGBoost menjadi algoritma dengan performa terbaik dengan nilai akurasi sebesar 0.99, recall sebesar 0.82, presisi sebesar 0.93, f1-score sebesar 0.87, dan AUC sebesar 0.99. Algoritma Decision Tree juga menunjukkan hasil yang cukup baik dengan akurasi 0.99 dan f1-score 0.81. Sementara itu, Random Forest memiliki akurasi 0.98 namun dengan presisi yang lebih rendah, yaitu 0.20. Penelitian ini berkontribusi dalam pengembangan sistem deteksi fraud yang lebih akurat untuk meningkatkan keamanan transaksi ecommerce.

Actions (login required)

View Item