Analisis Kinerja Algoritma Klasifikasi Naïve Bayes Menggunakan Genetic Algorithm dan Bagging untuk Data Publik Risiko Transaksi Kartu Kredit

Manda Agustriya, Munirul Ula, Kurniawati -

Abstract


Peningkatan penggunaan kartu kredit telah meningkatkan risiko penipuan dan kejahatan terkait transaksi kartu kredit. Hal ini memerlukan pengembangan metode yang efektif dalam mendeteksi dan mengklasifikasikan risiko tersebut secara akurat. Tujuan penelitian ini adalah untuk membandingkan tingkat akurasi algoritma naive bayes setelah memeriksa kinerjanya dengan menggunakan metode bagging dan genetic algorithm. Meskipun naïve bayes dikenal karena kesederhanaan dan kecepatan pemrosesannya, penelitian ini mengeksplorasi potensi peningkatan akurasi dengan menggabungkan teknik analisis tersebut. Penelitian ini melibatkan serangkaian eksperimen yang dirancang untuk menguji efektivitas genetic algorithm dan teknik bagging dalam meningkatkan performa naïve bayes. Genetic algorithm, dengan kemampuan optimasinya, digunakan untuk menemukan kombinasi parameter terbaik yang dapat meningkatkan akurasi naïve bayes. Di sisi lain, teknik bagging  diterapkan untuk mengurangi varian dan meningkatkan stabilitas prediksi. Hasil penelitian menunjukkan bahwa penggunaan genetic algorithm berhasil meningkatkan akurasi naive bayes dari 99.44% menjadi 99.90%, menunjukkan peningkatan sebesar 0.46%. Sementara itu, teknik bagging tidak memberikan peningkatan yang signifikan dalam akurasi. Implikasi dari temuan ini adalah bahwa teknik analisis seperti genetic algorithm dapat secara efektif meningkatkan performa algoritma klasifikasi, terutama dalam konteks mendeteksi penipuan transaksi kartu kredit. Temuan ini memberikan wawasan penting bagi industri keuangan dalam mengembangkan sistem keamanan yang lebih baik dan efisien untuk melindungi transaksi kartu kredit dari risiko penipuan.


Keywords


Bagging, Genetic Algorithm, Klasifikasi, Naive bayes, Transaksi Kartu Kredit

Full Text:

PDF

References


T. S. Lestari dan D. A. N. Sirodj, “Klasifikasi Penipuan Transaksi Kartu Kredit Menggunakan Metode Random Forest,” J. Ris. Stat., vol. 1, no. 2, hal. 160–167, 2022, doi: 10.29313/jrs.v1i2.525.

I. Sugiyarto, “Perbandingan Kinerja Algoritma Data Mining Prediksi Persetujuan Kartu Kredit,” Fakt. Exacta, vol. 12, no. 3, hal. 180, 2019, doi: 10.30998/faktorexacta.v12i3.4310.

F. Stevanus Alvian, S. Carbini, S. Likmi Bandung, dan S. Mardira Indonesia, “PREDIKSI Kelayakan Pemberian Fasilitas Kartu Kredit Kepada Nasabah Dengan Metode Klasifikasi Data Mining (Studi Kasus : Bank XYZ),” J. Comput. Bisnis, vol. 14, no. 2, hal. 123–128, 2020, [Daring]. Tersedia pada: www.forbes.com

D. A. Manalu dan G. Gunadi, “Implementasi Metode Data Mining K-Means Clustering Terhadap Data Pembayaran Transaksi Menggunakan Bahasa Pemrograman Python Pada Cv Digital Dimensi,” Infotech J. Technol. Inf., vol. 8, no. 1, hal. 43–54, 2022, doi: 10.37365/jti.v8i1.131.

E. Fitri, Y. Yuliani, S. Rosyida, dan W. Gata, “Analisis Sentimen Terhadap Aplikasi Ruangguru Menggunakan Algoritma Naive bayes , Random Forest Dan Support Vector Machine,” vol. 18, no. 1, hal. 71–80, 2020.

L. B. Adzy, A. Pambudi, U. M. Sukabumi, P. Bantuan, I. Jaminan, dan S. K. Sukabumi, “Algoritma Naïve Bayes Untuk Klasifikasi Kelayakan Penerima,” vol. 6, no. 1, hal. 1–10, 2023.

S. F. Pane, R. Maulana Awangga, E. V. Rahcmadani, dan S. Permana, “Implementasi Algoritma Genetika Untuk Optimalisasi Pelayanan Kependudukan,” J. Tekno Insentif, vol. 13, no. 2, hal. 36–43, 2019, doi: 10.36787/jti.v13i2.130.

L. M. Cendani dan A. Wibowo, “Perbandingan Metode Ensemble Learning pada Klasifikasi Penyakit Diabetes,” J. Masy. Inform., vol. 13, no. 1, hal. 33–44, 2022, doi: 10.14710/jmasif.13.1.42912.

N. Nurdin, M. Suhendri, Y. Afrilia, dan R. Rizal, “Klasifikasi Karya Ilmiah (Tugas Akhir) Mahasiswa Menggunakan Metode Naive bayes Classifier (NBC),” Sistemasi, vol. 10, no. 2, hal. 268, 2021, doi: 10.32520/stmsi.v10i2.1193.

A. Nugroho dan Y. Religia, “Analisis Optimasi Algoritma Klasifikasi Naive bayes menggunakan Genetic algorithm dan Bagging,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 5, no. 3, hal. 504–510, Jun 2021, doi: 10.29207/resti.v5i3.3067.

U. Fitriani Dan A. Wibowo, “Penerapan Algoritme Naïve Bayes Untuk Memprediksi Application Of Naïve Bayes Algorithm To Predict Graduation Of Budi Luhur University Students Based On,” Vol. 2, no. September, hal. 745–753, 2023.

Syarli dan A. A. Muin, “Metode Naive bayes Untuk Prediksi Kelulusan,” J. Ilm. Ilmu Komput., vol. 2, no. 1, hal. 22–26, 2016, [Daring]. Tersedia pada: https://media.neliti.com/media/publications/283828-metode-naive-bayes-untuk-prediksi-kelulu-139fcfea.pdf

B. Dan, R. Forest, dan P. Klasifikasi, “Analisis perbandingan kinerja cart konvensional, bagging dan random forest pada klasifikasi objek: hasil dari dua simulasi,” vol. 12, no. 2, hal. 1–12, 2019, doi: 10.14710/medstat.12.1.1-12.

D. A. Wulandari dan D. Kusnandar, “Bagging Classification Trees Untuk Klasifikasi Tingkat Kesejahteraan Rumah Tangga Di Kalimantan Barat,” vol. 08, no. 4, hal. 765–772, 2019.

S. Saleh, N. Umar, dan M. A. Nur, “Implementasi Algoritma Genetika Untuk Penjadwalan Ujian Pada Universitas Handayani Makassar,” hal. 154–156.

D. Ariadi, “Aplikasi Algoritma Genetika Dalam Mengoptimasi Tuned Mass Damper Untuk Mereduksi Getaran Pada Gedung Akibat Beban Gempa,” J. Kacapuri J. Keilmuan Tek. Sipil, vol. 4, no. 1, hal. 19, 2021, doi: 10.31602/jk.v4i1.5125.

R. Fitria, D. Yulisda, dan M. Ula, “Data Mining Classification Algorithms for Diabetes Dataset Using Weka Tool,” Sisfo J. Ilm. Sist. Inf., vol. 5, no. 2, hal. 117–124, 2021, doi: 10.29103/sisfo.v5i2.6236.




DOI: http://dx.doi.org/10.26418/justin.v12i3.80136

Refbacks

  • There are currently no refbacks.


Copyright (c) 2024 JUSTIN (Jurnal Sistem dan Teknologi Informasi)

ara komputer
View My Stats

Creative Commons License
All article in Justin is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License