Klasifikasi Transaksi Penipuan pada Kartu Kredit Menggunakan Arsitektur Multi-Layer Perceptron (MLP)
Tahun 2026 · Penulis: Anhar Mukhlis
Faculty of Computer Science, Universitas Jember
Tautan: https://repository.unej.ac.id/handle/123456789/14039
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Terjemahan mesin (opus-mt-en-id) · dipakai untuk pengindeksan
Klasifikasi Transaksi Penipuan pada Kartu Kredit Menggunakan Arsitektur Multi-Layer Perceptron (MLP)
Pertumbuhan cepat sistem pembayaran non-cash, terutama transaksi kartu kredit, telah meningkatkan kenyamanan dalam kegiatan keuangan tetapi juga meningkatkan risiko transaksi penipuan. Salah satu tantangan utama dalam deteksi penipuan kartu kredit adalah sifat alami yang sangat tidak seimbang dari data transaksi, di mana transaksi penipuan hanya mewakili sebagian kecil dari total dataset, serta kompleksitas pola penipuan. Penelitian ini bertujuan untuk mengklasifikasikan transaksi kartu kredit palsu menggunakan Multi-Layer Perceptron (MLP) arsitektur sebagai pendekatan Deep Neural Network (DNN). Dataset yang digunakan dalam penelitian ini adalah dataset Credit Card Fraud Detect yang diperoleh dari Kapggle, terdiri dari 284.807 transaksi dengan fitur yang anonim V1-V28, jumlah transaksi, dan label kelas. Tahap praproses data mencakup fitur seleksi, standarisasi data menggunakan StandardScaler, dan penanganan ketidakseimbangan kelas melalui Sinthetic Minority Oversampling Technique (SMOTE). Model MLP yang diusulkan dibangun dengan tiga lapisan tersembunyi berisi 64, 32, dan 16 neuron, fungsi aktivasi ReLU, angka putus sekolah 30%, dan fungsi aktivasi sigmoid dalam lapisan keluaran. Model ini dilatih menggunakan fungsi loss Crossentropy dan penghentian Biner Adam untuk mencegah penyesuaian yang berlebihan. Hasil percobaan menunjukkan bahwa model MLP mencapai kinerja klasifikasi yang kuat, dengan nilai ROC-AUC melebihi 0.90 dan peningkatan signifikan dalam mengingat kelas penipuan. Hasil ini menunjukkan bahwa pendekatan berbasis MLP yang diusulkan efektif dalam mendeteksi transaksi kartu kredit palsu pada dataset yang sangat tidak seimbang. Penelitian ini diharapkan turut menyebabkan pengembangan sistem deteksi penipuan yang lebih akurat dan adaptif di sektor keuangan.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,799
Tahun 2025 · Penulis: Layli Oktaviani Widya As’ari
Penerapan Algoritma Naïve Bayes untuk Deteksi Penipuan Transaksi E-Commerce
Pertumbuhan e-commerce di Indonesia telah menunjukkan peningkatan signifikan, dengan semakin banyak konsumen yang beralih ke belanja online. Berdasarkan data dari Asosiasi Penyelenggara Jasa Internet Indonesia dan Kementerian Komunikasi dan Informasi (Kemenkom
- Cosine 0,788
Tahun - · Penulis: Arini Dina Yushofa
Penerapan Metode Klasifikasi ADASYN-SVM pada Imbalanced Data (Studi Kasus : Personal Loan Default)
Studi ini bertujuan mengetahui performa metode klasifikasi ADASYNSVM dalam mengklasifikasikan data dengan distribusi kelas tidak seimbang (imbalanced data) pada kasus personal loan default (gagal bayar pinjaman tanpa agunan). Penelitian ini menggunakan data pe
- Cosine 0,781
Tahun 2026 · Penulis: Shinta Ayu Suryana
Analisis Numerik Model SEARQ pada Mahasiswa Kecanduan Shopee Paylater Menggunakan Metode Milne-Simpson Orde 6
Perkembangan teknologi finansial (financial technology) telah membawa perubahan dalam sistem pembayaran digital, salah satunya melalui layanan Buy Now Pay Later (BNPL). Shopee PayLater merupakan salah satu layanan BNPL yang banyak dimanfaatkan masyarakat karen