Kombinasi Tomek-Link Dan Smote Untuk Mengatasi Ketidakseimbangan Kelas Pada Credit Card Fraud
DOI:
https://doi.org/10.31294/larik.v2i2.1789Kata Kunci:
Ketidakseimbangan kelas , Oversampling, Tomek-Link, SMOTE, C5.0Abstrak
Meningkatnya aktivitas perdagangan secara online atau e-commerce telah menjadi trend saat ini. Akibatnya kejahatan yang paling sering terjadi adalah penipuan kartu kredit (credit card fraud) atau carding. Kurang lebih terdapat 1.000 kasus penipuan dalam satu juta transaksi sehingga data tersebut dikumpulkan dalam bentuk dataset credit card fraud risk. Pada beberapa kasus, kelas minoritas justru lebih penting untuk diidentifikasi daripada kelas mayoritas seperti pada kasus transaksi credit card. Pada penelitian ini untuk menangani masalah ketidakseimbangan kelas pada dataset credit card fraud risk maka diusulkan metode resampling yaitu pendekatan level data Tomek-Link dan SMOTE dengan model klasifikasi C5.0. Penelitian ini dilakukan untuk meningkatkan nilai akurasi AUC pada model algoritma klasifikasi C5.0. Hasil penelitian menunjukkan bahwa metode usulan mampu meningkatkan nilai AUC sebesar 0,134 dibandingkan tanpa metode resampling.
Referensi
S. N. Prasetyo, “Rumusan Pengaturan Credit Card Fraud Dalam Hukum Pidana Indonesia Ditinjau Dari Asas Legalitas,” J. Ilm. Huk. Leg., vol. 24, no. 1, p. 101, 2017, doi: 10.22219/jihl.v24i1.4260.
P. K. Robertson, “Cone penetration test (CPT)-based soil behaviour type (SBT) classification system — An update,” Can. Geotech. J., vol. 53, no. 12, pp. 1910–1927, 2016, doi: 10.1139/cgj-2016-0044.
S. Vluymans, D. S. Tarrago, Y. Saeys, C. Cornelis, and F. Herrera, “Fuzzy multi-instance classifiers,” IEEE Trans. Fuzzy Syst., vol. 24, no. 6, pp. 1395–1409, 2016, doi: 10.1109/TFUZZ.2016.2516582.
R. Siringoringo, “KLASIFIKASI DATA TIDAK SEIMBANG MENGGUNAKAN ALGORITMA SMOTE DAN k-NEAREST NEIGHBOR,” J. ISD, vol. 3, no. 1, pp. 44–49, 2018.
A. R. Ismail, N. Z. Abidin, and M. K. Maen, “Systematic Review on Missing Data Imputation Techniques with Machine Learning Algorithms for Healthcare,” J. Robot. Control, vol. 3, no. 2, pp. 143–152, 2022, doi: 10.18196/jrc.v3i2.13133.
W. C. Lin, C. F. Tsai, Y. H. Hu, and J. S. Jhang, “Clustering-based undersampling in class-imbalanced data,” Inf. Sci. (Ny)., vol. 409–410, pp. 17–26, 2017, doi: 10.1016/j.ins.2017.05.008.
Z. Sun, Q. Song, X. Zhu, H. Sun, B. Xu, and Y. Zhou, “A novel ensemble method for classifying imbalanced data,” Pattern Recognit., vol. 48, no. 5, pp. 1623–1637, 2015, doi: 10.1016/j.patcog.2014.11.014.
E. Irawan and R. S. Wahono, “Penggunaan Random Under Sampling untuk Penanganan Ketidakseimbangan Kelas pada Prediksi Cacat Software Berbasis Neural Network,” J. Softw. Eng., vol. 1, no. 2, pp. 92–100, 2015.
R. Azmatul Barro, I. D. Sulvianti, and M. Afendi, “Penerapan Synthetic Minority Oversampling Technique (Smote) Terhadap Data Tidak Seimbang Pada Pembuatan Model Komposisi Jamu,” Xplore J. Stat., vol. 1, no. 1, pp. 1–6, 2013.
A. Asrin, “Metode Penelitian Eksperimen,” J. Maqasiduna Ilmu Humaniora, Pendidik. Ilmu Sos., vol. 2, no. 1, pp. 1–9, 2022, [Online]. Available: https://journal.mukhlisina.id/index.php/maqasiduna/article/view/24/15
A. Nurwanda and E. Badriah, “Analisis Program Inovasi Desa Dalam Mendorong Pengembangan Ekonomi Lokal Oleh Tim Pelaksana Inovasi Desa (PID) Di Desa Bangunharja Kabupaten Ciamis,” J. Ilm. Ilmu Adm. Negara, vol. 7, no. 1, pp. 68–75, 2020, [Online]. Available: https://jurnal.unigal.ac.id/index.php/dinamika/article/download/3313/pdf
U. Enri, “PENERAPAN ALGORITMA C4.5 DALAM PEMILIHAN PROGRAM STUDI FAKULTAS ILMU KOMPUTER (Studi Kasus Sekolah Menengah Atas Negeri 1 Tambun Utara),” J. Rekayasa Inf., vol. 7, no. 1, pp. 1–7, 2018.
M. Kuhn and K. Johnson, Applied Predictive Modeling [Hardcover]. 2013. doi: 10.1007/978-1-4614-6849-3.
M. Kuhn, “caret Package,” J. Stat. Softw., vol. 28, no. 5, pp. 1–26, 2008.
