Analisis Kinerja Algoritma Klasifikasi Naïve Bayes Menggunakan Genetic Algorithm dan Bagging untuk Data Publik Risiko Transaksi Kartu Kredit
DOI:
https://doi.org/10.26418/justin.v12i3.80136Keywords:
Bagging, Genetic Algorithm, Klasifikasi, Naive bayes, Transaksi Kartu KreditAbstract
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.
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.
Downloads
Published
Issue
Section
License
Copyright (c) 2024 JUSTIN (Jurnal Sistem dan Teknologi Informasi)
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
The author owns the copyright in his paper and agrees to publish his paper to JUSTIN by giving the rights to the first publication of his paper which is simultaneously licensed under the Creative Commons Attribution License, namely the Similar International 4.0 license (CC BY-NC-SA 4.0).
This is a human-readable summary of (and not a substitute for) the license. Disclaimer.
You are free to:Share "” copy and redistribute the material in any medium or format
Adapt "” remix, transform, and build upon the material
The licensor cannot revoke these freedoms as long as you follow the license terms.
Under the following terms:
Attribution "” You must give appropriate credit, provide a link to the license, and indicate if changes were made. You may do so in any reasonable manner, but not in any way that suggests the licensor endorses you or your use.
NonCommercial "” You may not use the material for commercial purposes.
ShareAlike "” If you remix, transform, or build upon the material, you must distribute your contributions under the same license as the original.
No additional restrictions "” You may not apply legal terms or technological measures that legally restrict others from doing anything the license permits.
Notices:
You do not have to comply with the license for elements of the material in the public domain or where your use is permitted by an applicable exception or limitation.
No warranties are given. The license may not give you all of the permissions necessary for your intended use. For example, other rights such as publicity, privacy, or moral rights may limit how you use the material.
