A Comparative Study of Data Mining Algorithms for Fraud Detection in Financial Transactions

Abstract

Deteksi penipuan dalam transaksi keuangan merupakan tantangan penting bagi industri perbankan dan e-commerce. Seiring dengan semakin canggihnya aktivitas penipuan, kebutuhan akan metode deteksi tingkat lanjut menggunakan teknik penambangan data pun meningkat. Studi ini melakukan analisis komparatif terhadap berbagai algoritma machine learning, termasuk Decision Tree, Random Forest, Support Vector Machine (SVM), Naïve Bayes, dan model Deep Learning, untuk mendeteksi transaksi keuangan yang curang. Penelitian ini menggunakan kumpulan data yang terdiri dari transaksi yang curang dan sah serta menerapkan beberapa metrik evaluasi seperti akurasi, presisi, recall, F1-score, dan AUC-ROC untuk mengukur kinerja algoritma. Hasilnya menunjukkan bahwa model pembelajaran ensemble, khususnya Random Forest dan XGBoost, mengungguli metode klasifikasi tradisional dalam hal akurasi, efisiensi, dan ketahanan. Model Deep Learning juga menunjukkan hasil yang menjanjikan tetapi memerlukan sumber daya komputasi yang besar, kumpulan data yang besar, dan penyempurnaan untuk mencapai kinerja yang optimal. Selain itu, teknik praproses data seperti pemilihan fitur, pengurangan dimensionalitas, dan penyeimbangan kelas berdampak signifikan terhadap efektivitas deteksi. Temuan studi ini memberikan wawasan berharga bagi lembaga keuangan dalam memilih algoritma deteksi penipuan yang paling efisien, yang pada akhirnya meningkatkan keamanan transaksi dan mengurangi kerugian finansial. Penelitian di masa mendatang dapat mengeksplorasi pendekatan hibrida yang memadukan berbagai teknik, serta metode pemrosesan waktu nyata, untuk lebih meningkatkan akurasi deteksi penipuan dan meminimalkan kesalahan positif dalam sistem keuangan berskala besar.

GS Cited Analysis