FRAUD DETECTION SYSTEM MENGGUNAKAN SVM, RF, KNN DENGAN VOTING CLASSIFIER pada AUTOMATIC TELLER MACHINE (Studi Kasus: Bank Sultra Cabang Pembantu Sao–Sao)

Salibana, Chlyfen Richard (2026) FRAUD DETECTION SYSTEM MENGGUNAKAN SVM, RF, KNN DENGAN VOTING CLASSIFIER pada AUTOMATIC TELLER MACHINE (Studi Kasus: Bank Sultra Cabang Pembantu Sao–Sao). S2 - Magister thesis, Universitas AMIKOM Yogyakarta.

Text (THESIS) 24.55.1581 Chlyfen Richard Salibana.pdf - Published Version Download (4MB)

Abstract

Arus globalisasi dan kemudahan komunikasi yang terintegrasi internet kini menjadi sarana yang sangat populer dan diminati banyak orang. Hal ini terlihat terutama dalam sistem transaksi elektronik, perbankan online, serta metode pembayaran digital. Adapun tujuan penelitian ini yaitu untuk menerapkan metode klasifikasi dengan menguji dan membandingkan antar model SVM, RF, K-NN, dengan voting classifier dalam mengembangkan, mengevaluasi dan mendeteksi transaksi kecurangan yang terjadi secara efektif menggunakan model machine learning (ML) pada BPD Sultra. Fokus penelitian ini untuk mengidentifikasi ciri-ciri transaksi mencurigakan berdasarkan data yang relevan dan menyusun peningkatan keamanaan transaksi. Metode dalam penelitian ini adalah kuantitatif yanng bersifat deskriptif dan eksploratif dalam perbandingan model ML yang akan di uji. Hasil penelitian menunjukkan bahwa: (1). Performa model ML SVM, RF, K-NN dengan voting classifier dapat mendeteksi aktivitas kecurangan pada transaksi ATM di BPD Sultra; (2). Tingkat akurasi dan metrik evaluasi dari ke tiga model ML dalam mendeteksi kecurangan pada transaksi ATM menunjukkan nilai F1-Score yang paling baik adalah model algoritmik RF yakni 99%; (3). Penerapan metode ensemble learning dengan SMOTE dapat meningkatkan performa model dibandingkan dengan model SVM, RF, K-NN tanpa voting classifier secara individual. Berdasarkan hasil penelitian saran yang dapat diajukan penulis sebagai berikut: (1) Penelitian selanjutnya disarankan menggunakan dataset multi-periode untuk menguji stabilitas dan konsistensi performa model terhadap variasi pola transaksi; (2) Penggunaan SMOTE dalam mensintesis data diperlukan ekplorasi alternatif seperti ADASYN atau kombinasi undersampling, oversampling untuk memvalidasi kekuatan model; dan perlu dilakukan penelitian selanjutnya untuk mengintegrasikan pendekatan hybrid antara machine learning dengan deep learning dalam mendeteksi fraud.

Actions (login required)

View Item