Analisis Transaksi Fraud QRIS pada Industri Perbankan Switching dengan Data Mining Metode Klasifikasi menggunakan Aplikasi Orange
Keywords:
Fraud, QRIS, Switching, Data Mining, OrangeAbstract
Perkembangan sistem perbankan semakin besar sejalan dengan banyaknya sebagian orang yang memanfaatkan hal tersebut. Banyaknya transaksi mencurigakan di sistem perbankan yang mengindikasi adanya kriminalitas, maka bisnis perbankan memerlukan pengecekan semua data yang ada. QRIS menjadi channel transaksi paling banyak digunakan saat ini. Seiring dengan berkembangnya UMKM dan penjual yang menggunakan QRIS sebagai media pembayaran membuat berkembangnya transaksi QRIS di sistem perbankan switching. Tujuan peneitian ini untuk melakukan pengecekan dari transaksi mencurigakan di sistem perbankan yang mengindikasi adanya transaksi fraud. Banyaknya transaksi setiap harinya membuat sistem yang sudah ada harus dapat menyediakan data yang cepat, tepat dan real time. Keterbatasan SDM dan waktu yang diperlukan untuk pengecekan data transaksi yang cukup banyak sehingga dibutuhkan metode pengecekan yang cepat dan akurat agar pengecekan lebih efektif dan efisien. Data mining dengan aplikasi orange digunakan untuk menyediakan data-data yang dibutuhkan dengan metode klasifikasi yang dapat mengidentifikasi data fraud berdasarkan pola-pola dari sekumpulan data transaksi QRIS yang cukup besar. Metode penelitian digunakan algoritma Naive Bayes Classifier, K-Nearest Neighbors dan Decision Tree untuk mempermudah user mendapatkan data yang dibutuhkan. Dengan membuat matriks (pola) terkait indikator transaksi anomali yang diperlukan, pengecekan dengan menggunakan beberapa metode ini bertujuan sebagai pilihan analisa yang dapat dipilih untuk proses deteksi data-data yang terindikasi fraud. Pada penelitian ini didapatkan hasil penelitian menunjukkan tingkat akurasi maksimal pada penggunaan metode algoritma K-Nearest Neighbors dengan nilai 0,991. Untuk hasil dari algoritma Naive Bayes Classifier dengan nilai 0,961 dan algoritma Decision Tree dengan nilai 0,990 Hasil penelitian ini dapat digunakan pada perusahaan switching untuk membantu tim operasional dalam mendapatkan data untuk kebutuhan laporan perusahaan.
Downloads
References
Arsya Fathiarahma, A. V. (2023). Analisis Text Mining Klasifikasi Kegiatan Keluarga menggunakan Orange dengan Metode Naive Bayes. Jurnal Teknologi Terpadu, 35-41.
Haliem Sunata, F. J. (2020, Desember). Komparasi Tujuh Algoritma Identifikasi Fraud ATM Pada PT. Bank Central Asia Tbk. Jurnal Teknik Informatika dan Sistem Informasi, 441-450.
Hozairi, A. S. (2021). Implementasi Orange Data Mining untuk Klasifikasi Kelulusan Mahasiswa dengan Model K-Nearest Neighbor, Decision Tree serta Naive Bayes. Jurnal Ilmiah NERO Vol. 6 No. 2, 133-144.
I Gede Iwan Sudipa, I. M. (2023, Juli). Analisis Data Kepuasan Pengguna Layanan E-Wallet Gopay Menggunakan Metode Naïve Bayes Classifier Algorithm. KESATRIA: Jurnal Penerapan Sistem Informasi (Komputer & Manajemen), 726-735.
Indonesia, A. S. (2024, May 28). ASPI QRIS. Retrieved from ASPI Indonesia: https://www.aspi-indonesia.or.id/statistik-qris/
Kurniawan, A., & Yulianingsih. (2021, Oktober). Pendugaan Fraud Detection pada kartu kredit dengan Machine Learning. KILAT, 320-325. doi:https://doi.org/10.33322/kilat.v10i2.1482
Lazuardi Firdaus, T. S. (Desember 2023). Perbandingan Algoritma Naive Bayes, Decision Tree, dan KNN untuk Klasifikasi Produk Populer Adidas US dengan Confusion Matrix. Jurnal Sistem Komputer dan Informatika (JSON), 185−195.
Ludgerus Darell Perwara, F. A. (2020, Agustus). Penerapan Algoritma Decision Tree C4.5 Untuk Deteksi Fraud Pada Kartu Kredit dengan Oversampling Synthetic Minority Technique (SMOTE). Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 2664-2669.
Nugraha, H. (2021). Implementasi Quick Response (QR) Code Pada Transaksi Pembayaran untuk Mengatasi Antrian. Innovation in Research of Informatics (INNOVATICS), 1-6.
