English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Plus monthly

Global: Zendy Tools annual

Global: Zendy Tools monthly

Global: Zendy Free Plan

The high use of ATM machines has created a loophole for fraud that can be carried out by third parties in assisting PT. Bank Central Asia Tbk to keep ATM machines ready to use by customers. Not fast and difficult identification of ATM machine fraud is a problem for PT. Bank Central Asia Tbk. With this problem, the researcher collected 5 datasets and pre-processed the dataset so that it could be used for modeling and algorithm testing, in order to answer the problems that occurred. There were seven comparisons of algorithms including decision trees, gradient boosted trees, logistic regression, naive bayes (kernels), naive bayes, random forest and random tree. After modeling and testing, the results show that the gradient boosted trees algorithm is the best algorithm with an accuracy of 99.85% and an AUC value of 1, the high result of this algorithm is due to the compatibility of each attribute tested with the gradient boosted trees character that is driven where this algorithm is save and existing results. So the gradient boosted trees algorithm is the solution to the problems that have arisen by PT. Bank Central Asia Tbk. Keywords— Fraud, Decision Tree, Gradient Boosted Trees, Logistic Regression, Naïve Bayes 442 Jatisi ISSN 2407-4322 Vol. 7, No. 3, Desember 2020, Hal. 441-450 E-ISSN 2503-2933 Haliem Sunata, et al., [Komparasi Tujuh Algoritma Identifikasi Fraud ATM pada PT. Bank Central Asia Tbk] 1. PENDAHULUAN radient boosted trees adalah teknik machine learning untuk masalah regresi dan klasifikasi, yang menghasilkan model prediksi dalam bentuk sebuah ensemble dari model prediksi yang lemah, biasanya pohon keputusan. Metode gradient boosted trees mengasumsikan sebuah nilai real bernilai y [1]. Beberapa penelitian yang menggunakan gradient boosted trees menyimpulkan bahwa algoritma ini menghasilkan hasil yang baik. Seperti pada penelitian yang berjudul “The Combination of Logistic Regression and Gradient Boost Tree for Email Spam Detection” [2]. Penelitian ini menggunakan 2 algoritma yang dikombinasikan antara logistic regression dan gradient bosst tree yang menghasilkan tingkat akurasi 95.13%, nilai sensitivity sebesar 95.04% dan specificity sebesar 95.26%. Pada penelitian yang berjudul “Horse Race Analysis in Credit Card Fraud—Deep Learning, Logistic Regression, and Gradient Boosted Tree” [3]. Gradient boosted tree menghasilkan tingkat AUC yang tinggi sebesar 0.864. Dan pada penelitian berjudul “Integrasi Gradient Boosted Trees dengan Smote dan Bagging untuk Deteksi Kelulusan Mahasiswa” [4]. Gradient boosted tree digabungkan dengan smote dan bagging yang menghasilkan nilai akurasi sebesar 80.57% dan nilai AUC sebesar 0.858. ATM yang merupakan singkatan dari automated teller machine bisa dikatakan sebagai kebutuhan primer dalam hal transaksi dan penarikan uang pihak ketiga. Pihak ketiga merupakan perusahaan yang bekerjasama dengan PT. Bank Central Asia Tbk dalam hal pemeliharaan dan perbaikan mesin ATM. Sedangkan fraud merupakan tindakan penyimpangan atau pembiaran yang sengaja dilakukan untuk mengelabui, menipu, atau memanipulasi bank, nasabah, atau pihak lain, yang terjadi di lingkungan bank dan/atau menggunakan sarana bank sehingga mengakibatkan bank, nasabah, atau pihak lain menderita kerugian dan/atau pelaku fraud memperoleh keuntungan keuangan baik secara langsung maupun tidak langsung Berdasarkan laporan tahunan berkelanjutan 2018 PT. Bank Central Asia, Saat ini PT Bank Central Asia memiliki lebih dari 19 juta rekening dan 17.778 Mesin ATM [5]. Seiring dengan pertumbuhan ekonomi yang berbanding lurus dengan kebutuhan layanan nasabah terutama pengguna mesin ATM. Dimana mesin ATM rata-rata dilakukan pengisian sebanyak 12 kali perbulan (permesin), PT. Bank Central Asia Tbk dibantu oleh pihak ketiga untuk melakukan pemeliharaan mesin ATM, saat ini terdapat 7 pihak ketiga yang membantu PT. Bank Central Asia Tbk untuk memelihara mesin ATM. Dengan tingginya transaksi disetiap mesin, tidak jarang pihak ketiga melanggar standart operasional yang telah ditentukan oleh PT. Bank Central Asia Tbk. Pelanggaran standart operasional merupakan penyebab terjadinya celah tindakan fraud yang dapat dilakukan oleh pihak ketiga. Saat ini identifikasi fraud rata-rata baru diketahui setelah lebih dari 2 hari dan membutuhkan waktu tambahan untuk mendapatkan penanggung jawab atas tindakan yang terjadi. Untuk menjawab permasalahan identifikasi fraud yang terjadi, maka peneliti melakukan tinjauan literatur guna menyelesaikan permasalahan yang ada. Pada tinjauan studi literatur terdapat 7 algoritma yang digunakan dalam menyelesaikan permasalahan terkait, diantaranya decesion tree, gradient boosted trees, logistic regression, naive bayes (kernel), naive bayes, random forest dan random tree. Dengan dilakukannya penelitian ini maka dapat menjadi salah satu referensi dalam menyelesaikan permasalahan fraud khususnya dalam bidang perbankan. . 2. METODE PENELITIAN 2.1 Algoritma Pengklasifikasian Penelitian ini melakukan komparasi menggunakan beberapa model atau algoritma diantaranya adalah decision tree, gradient boosted trees, logistic regression, naive bayes (kernel), naive bayes, random forest dan random tree. Model atau algoritma yang diajukan G Jatisi ISSN 2407-4322 Vol. 7, No. 3, Desember 2020, Hal. 441-450 EISSN 2503-2933 443 Haliem Sunata, et al., [Komparasi Tujuh Algoritma Identifikasi Fraud ATM pada PT. Bank Central Asia Tbk] Title of manuscript is short and clea r, implies research results (First Author) dalam perbandingan ini diawali dengan pengolahan dataset hingga menghasilkan model dan selanjutnya semua model yang telah dibuat akan diuji dengan data yang sama. Hasil pengujian dari algoritma pengklasifikasian ini akan dilakukan komparasi algoritma yang paling baik dengan kasus atau data identifikasi kasus fraud pada PT. Bank Central Asia Tbk. 2.1.1 Gradient Boosted Trees Gradient Boosted Trees adalah teknik machine learning untuk masalah regresi dan klasifikasi, yang menghasilkan model prediksi dalam bentuk sebuah ensemble dari model prediksi yang lemah, biasanya pohon keputusan. Metode Gradient Boosted Trees mengasumsikan sebuah nilai real bernilai y [1]. 2.1.2 Decision Tree Decision Tree adalah sebuh metode klasifikasi yang dibangun untuk mendapatkan sebuah kesimpulan dari sejumlah data. Penarikan kesimpulan dibuat dalam bentuk pohon, dimana nantinya hasil kesimpulan berbentuk hierarki pohon yaitu dari akar, batang dan daun yang merepresentasikan hasil keputusan yang dibuat. Sebuah node keputusan (misalnya, Cuaca) memiliki dua cabang atau lebih (misalnya, cerah, mendung dan hujan). Node daun (misalnya, Play) merupakan klasifikasi atau keputusan. Node keputusan paling atas di pohon adalah yang sesuai dengan prediktor terbaik disebut node akar [6]. 2.1.3 Logistic Regression Logistic Regression bertujuan untuk menaksir nilai variabel keluaran/output (kriteria atau dependen, Y) berdasarkan skor variabel eksplanatoris (prediktor atau independen, X). Tidak seperti regresi biasa, variabel kriteria dalam regresi logistik adalah variabel binary, yang memiliki skor dikotomi, 1 (untuk munculnya peristiwa) dan 0 (untuk tidak munculnya peristiwa). Misalnya, variabel kelulusan dalam suatu ujian: lulus/sukses = 1, tidak lulus/gagal = 0; keanggotaan dalam organisasi keagamaan: anggota = 1, bukan anggota = 0. Dengan adanya keterbatasan skor ini, model regresi linier tidak dapat digunakan karena persyaratan linieritas tidak dapat dipenuhi [7]. 2.1.4 Naïve Bayes Classifier Naive Bayes Classifier (NBC) adalah model algoritma probabilitas sederhana yang didasarkan pada teorema bayes. Hukum bayes yang digabungkan dengan ’naive’ mengakibatkan setiap variable memiliki sifat yang independen. Naive Bayes Classifier dapat dilatih dengan efisien dalam supervised learning, proses Naive Bayes Classifier menganalogikan ada atau tidak suatu variabel pada suatu kelas tidak memiliki korelasi dengan ada atau tidak variable lain dikelas yang sama. Naïve Bayes Classifier termasuk algoritma yang tergolong supervised learning, sehingga pada prosesnya dibutuhkan data training untuk melakukan klasifikasi. Alur proses klasifikasi dengan menghitung kemungkinan (probability) data yang masuk pada masing-masing class label. Class label dengan tingkat probability terbesar yang akan dijadikan class label data masukan. Naive Bayes Classifier mengadopsi rumus dari teorema bayes, sehingga kompleksitas komputasi menjadi sederhana. Kelebihan lain dari Naive bayes classifier dapat menangani dataset yang beratribut banyak. Rumus persamaan 1 menunjukan rumus dari Naive bayes classifier. ( | ) = ( | ) ( ) ( ) ( 1 ) Keterangan: X : Prediksi data masukan C : Hipotesa data masuk pada suatu kelas label 444 Jatisi ISSN 2407-4322 Vol. 7, No. 3, Desember 2020, Hal. 441-450 E-ISSN 2503-2933 Haliem Sunata, et al., [Komparasi Tujuh Algoritma Identifikasi Fraud ATM pada PT. Bank Central Asia Tbk] P(C|X) : Probabilitas hipotesa berdasarkan kondisi P(C) : Probabilitas hipotesa P(X|C) : Probabilitas atas dasar kondisi pada hipotesa P(X) : Probabilitas dari C ( | )( ) dengan memilih yang terbesar sebagai kelas yang dipilih sebagai hasil prediksi. Kelemahan dari Algoritma NBC adalah ketika menjalankan proses training dengan dataset yang memiliki bobot attribute yang tidak seragam (nonnormal distribution/non gaussian distribution) akan berakibat performansi klasifikasi yang tidak sesuai. Oleh sebab itu dibutuhkan cara untuk menangani masalah ini yaitu dengan penerapan fungsi kernel density. Algoritma ini yang dinamakan dengan Naive bayes classifier kernel density estimation. Rumus persamaan 2 menunjukan rumus kernel density estimation.

Komparasi Tujuh Algoritma Identifikasi Fraud ATM Pada PT. Bank Central Asia Tbk