FRAUD DETECTION PADA TRANSAKSI PERBANKAN ...Jaringan Syaraf Tiruan Metode Backpropagation. Pada penelitian tersebut peneliti menggunakan fungsi transfer layer tan-sigmoid dan fungsi

FRAUD DETECTION PADA TRANSAKSI PERBANKAN MENGGUNAKAN

JARINGAN SYARAF TIRUAN BACKPROPAGATION

SKRIPSI

Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh

Gelar Sarjana Komputer Program Studi Teknik Informatika

Oleh:

Elfrida Afentri Manurung

155314109

PROGRAM STUDI TEKNIK INFORMATIKA

JURUSAN TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2019

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

ii

FRAUD DETECTION ON BANKING TRANSACTIONS

USING BACKPROPAGATION ARTIFICIAL NEURAL NETWORKS

THESIS

Present as Partial Fulfillment of the Requirement

To Obtain Sarjana Komputer Degree

in Informatics Engineering Study Program

Oleh:

Elfrida Afentri Manurung

155314109

INFORMATICS ENGINEERING STUDY PROGRAM

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

2019


iii


iv


v

HALAMAN PERSEMBAHAN

There hath no temptation taken you but such as is common to man: but God

is faithful, who will not suffer you to be tempted above that ye are able; but will

with the temptation also make a way to escape, that ye may be able to bear it.

- 1 Corinthians 10:13 -

Dengan segala rasa syukur, skripsi ini kupersembahkan kepada

TUHAN YESUS KRISTUS

Sang Juru Selamat Sejati

Papa Mama

Kakak Adik

Almamaterku Universitas Sanata Dharma


vi


vii


viii

ABSTRAK

Fraud secara umum merupakan suatu perbuatan yang melanggar hukum, yang

dilakukan oleh orang – orang dari dalam atau luar organisasi dengan tujuan untuk

mendapatkan keuntungan secara pribadi yang secara langsung merugikan pihak lain.

Dalam dunia perbankan, fraud dapat terjadi dalam berbagai transaksi, dimana semakin

banyak proses transaksi dilakukan maka potensi untuk terjadinya fraud juga akan

semakin tinggi. Untuk menangani fraud, dibutuhkan keahlian khusus untuk memahami

pola oleh auditor dan dibutuhkan waktu yang cukup lama untuk mengelolah data dalam

skala yang besar. Karena membutuhkan waktu yang cukup lama, maka dibutuhkan

suatu pengklasifikasian yang dapat mempermudah untuk mendeteksi fraud. Salah satu

metode yang dapat digunakan untuk melakukan pengklasifikasian adalah

backpropagation.

Pada penelitian ini algoritma backpropagation digunakan untuk

mengklasifikasikan data transaksi. Peneliti membagi transaksi menjadi dua, fraud dan

tidak fraud. Dari hasil pengujian yang dilakukan menggunakan 2730 data dari 13126

data dengan 3-fold cross validation, menghasilkan akurasi sebesar 77.5824 % dengan

struktur jaringan optimal pada satu hidden layer dengan neuron 5 serta menggunakan

fungsi aktivasi logsig dan fungsi training trainlm. Akurasi ini dapat dikatakan cukup

baik, untuk mendeteksi fraud pada data transaksi perbankan.

Kata Kunci: Fraud, Backpropagation¸Akurasi.


ix

ABSTRACT

Fraud in general is an act that violates the law, which is carried out by people from

inside or outside the organization with the aim of obtaining personal benefits that

directly harm the other side. In the banking world, fraud can occur in various

transactions, where the more transaction processes are carried out, the higher the

potential for fraud. To handle fraud, special expertise is needed to understand patterns

by auditors and it takes a long time to manage data on a large scale. Because it requires

a long time, a classification is needed that can make it easier to detect fraud. One

method that can be used to classify is backpropagation.

In this study the backpropagation algorithm is used to classify transaction data.

The researcher divides the transaction into two, frauds and not fraud. From the results

of testing carried out using 2730 data from 13126 data with 3-fold cross validation, it

produces an accuracy of 77.5824% with optimal network structure in one hidden layer

with neurons 5 and uses the logsig activation function and trainlm training function.

This accuracy can be said to be quite good, to detect fraud in banking transaction data.

Keywords: Fraud, Backpropagation¸ Accuracy.


x

KATA PENGANTAR

Puji dan syukur penulis panjatkan kehadirat Tuhan Yesus Kristus karena atas

berkat dan rahmatnya sehingga penulis dapat menyelesaikan tugas akhir dengan sangat

baik. Tugas akhir ini merupakan salah satu persyaratan wajib guna memperoleh gelar

sarjana Teknik Informatika di Universitas Sanata Dharma Yogyakarta.

Penulis menyadari bahwa pengerjaan tugas akhir ini dapat berjalan dengan baik

atas bimbingan dan bantuan dari banyak pihak. Pada kesempatan ini penulis ingin

mengucapkan terima kasih kepada:

1. Tuhan Yesus Kristus, yang tidak berhentinya memberikan kekuatan, semangat

dan berkat-Nya dalam proses penyelesaian tugas akhir.

2. Dr. Cyprianus Kuntoro Adi, S.J. M.A., M.Sc. selaku dosen pembimbing tugas

akhir yang dengan sabar dan penuh perhatian memberikan bimbingan kepada

saya dalam penyusunan tugas akhir.

3. Dr. Anastasia Rita Widiarti, M.Kom., selaku Ketua Program Studi Teknik

Informatika yang selalu memberikan dukungan, perhatian, dan saran kepada

mahasiswa dalam pengerjaan tugas akhir.

4. Kedua orang tua tercinta Bapak Eli Akim Manurung dan Ibu Bertauli Samosir

yang selalu mendoakan dan memberikan dukungan berupa moral maupun

materi kepada penulis.

5. Kedua kakak terkasih Devi Efriani Manurung Am. Keb dan Triana Agustina

Manurung S. Tr. AB dan juga adik terkasih Jojor Nur Intan Manurung yang

selalu memberikan semangat dan tak henti – hentinya memberikan dukungan

sehingga penulis dapat menyelesaikan tugas akhir ini.

6. Yusmidarmawati dan Novita Rini, karena selalu memberikan dukungan dan

doa serta memberikan waktu untuk mendengarkan segala cerita penulis dalam

penyelesaian tugas akhir ini.

7. Untuk Ventya Fernitha (Peng), Clara Maria De Rosario Taek (Unsky), dan

Monica Rinda Christanto (Monca) terimakasih telah menjadi penghibur,

pemberi semangat, dan tempat untuk saling bertukar pikiran serta menjadi


xi


xii

DAFTAR ISI

HALAMAN JUDUL .......................................................................................... i

TITLE PAGE ..................................................................................................... ii

HALAMAN PERSETUJUAN ........................................................................... iii

HALAMAN PENGESAHAN ............................................................................ iv

HALAMAN PERSEMBAHAN ......................................................................... v

PERNYATAAN KEASLIAN KARYA ............................................................ vi

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA

ILMIAH UNTUK KEPENTINGAN AKADEMIS…………………………… vii

ABSTRAK .........................................................................................................viii

ABSTRACT ........................................................................................................ ix

KATA PENGANTAR ....................................................................................... x

DAFTAR ISI ...................................................................................................... xii

DAFTAR TABEL ..............................................................................................xiv

DAFTAR GAMBAR ......................................................................................... xv

BAB I PENDAHULUAN ............................................................................ 1

1.1. Latar Belakang ............................................................................ 1

1.2. Rumusan Masalah ...................................................................... 2

1.3. Tujuan ......................................................................................... 2

1.4. Luaran ......................................................................................... 3

1.5. Manfaat ....................................................................................... 3

1.6. Batasan Masalah ......................................................................... 3

1.7. Sistematika Penulisan ................................................................. 3

BAB II LANDASAN TEORI ....................................................................... 5

2.1. Fraud .......................................................................................... 5

2.2. Imbalanced Data ........................................................................ 7

2.3. Data Mining ................................................................................ 7


xiii

2.4. Penelitian Sebelumnya ............................................................... 10

2.5. Jaringan Syaraf Tiruan ................................................................ 11

2.5.1. Arsitektur Jaringan ............................................................ 12

2.5.2 Backpropagation ................................................................ 13

2.5.3. Arsitektur .......................................................................... 18

2.5.4 Fungsi Aktivasi ................................................................... 18

2.6. Evaluasi ...................................................................................... 20

BAB III METODOLOGI PENELITIAN ..................................................... 22

3.1. Data ............................................................................................. 22

3.2. Preprocessing ............................................................................. 24

3.3. Imbalanced data .......................................................................... 29

3.4 Model Backpropagation ............................................................... 30

3.4. Kebutuhan Sistem ........................................................................ 31

3.5. Perancangan Antar Muka Sistem ............................................... 31

3.5.1. Panel Tabel Data................................................................ 32

3.5.2. Panel Uji Data Tunggal ..................................................... 33

BAB IV HASIL DAN ANALISIS SISTEM ................................................. 34

4.1. Preprocessing ............................................................................. 34

4.1.1. Data Selection ................................................................... 34

4.2 Klasifikasi ..................................................................................... 38

4.2.1 Satu Hidden Layer .............................................................. 39

4.2.2 Dua Hidden Layer .............................................................. 40

4.2.3. Arsitektur Optimal ............................................................. 41

4.2. Uji Data Tunggal ........................................................................ 42

BAB V KESIMPULAN ................................................................................ 45

5.1. Kesimpulan .................................................................................. 45

5.2. Saran ........................................................................................... 45

DAFTAR PUSTAKA ....................................................................................... 46


xiv

DAFTAR TABEL

Tabel 2.1. Confusion Matrix ............................................................................... 20

Tabel 3.1. Penjelasan Atribut ............................................................................. 22

Tabel 3.2. Contoh Data Setelah Preprocessing .................................................. 29

Tabel 3.3. Target Luaran Jenis Transaksi ........................................................... 31

Tabel 4.1. Hasil Perankingan Menggunakan Weka ........................................... 34

Tabel 4.2. Percobaan seleksi data ...................................................................... 35

Tabel 4.3. Contoh data setelah di seleksi ............................................................ 37

Tabel 4.4. Fold Pertama ..................................................................................... 41

Tabel 4.5. Fold Kedua ........................................................................................ 41

Tabel 4.6. Fold Ketiga ....................................................................................... 42


xv

DAFTAR GAMBAR

Gambar 2.1. Proses KDD ................................................................................... 8

Gambar 2.2. Ilustrasi Jaringan Layer Tunggal ................................................... 12

Gambar 2.3. Ilustrasi Jaringan Layer Jamak ...................................................... 13

Gambar 2.4. Jaringan 3 Layer ............................................................................. 18

Gambar 2.5. Grafik Fungsi Sigmoid biner ......................................................... 19

Gambar 2.6. Grafik Fungsi Sigmoid bipolar. ...................................................... 19

Gambar 2.7. K-Fold Cross Validation ............................................................... 20

Gambar 3.1. Gambaran Umum Penelitian .......................................................... 22

Gambar 3.2. Arsitektur Jaringan Untuk Pelatihan ............................................. 30

Gambar 3.3. Tampilan Menu Utama .................................................................. 31

Gambar 4.1. Grafik Variasi Fungsi Aktivasi ...................................................... 38

Gambar 4.2. Grafik Variasi Fungsi Training ..................................................... 39

Gambar 4.3. Grafik Variasi Satu Hidden Layer .................................................. 40

Gambar 4.4. Grafik Variasi Dua Hidden Layer .................................................. 40

Gambar 4.5. Arsitektur Optimal ........................................................................ 41

Gambar 4.6. Uji Data 1 ...................................................................................... 42

Gambar 4.7. Uji Data 2 ...................................................................................... 43

Gambar 4.8. Uji Data 3 ...................................................................................... 43

Gambar 4.9. Uji Data 4 ....................................................................................... 4


1

BAB I

PENDAHULUAN

1.1 Latar Belakang

Fraud secara umum merupakan suatu perbuatan yang melanggar hukum,

yang dilakukan oleh orang – orang dari dalam atau luar organisasi dengan

tujuan untuk mendapatkan keuntungan secara pribadi yang secara langsung

merugikan pihak lain. Menurut Karyono (2014), fraud adalah penyimpangan

dan perbuatan melanggar hukum (illegal act), yang dilakukan dengan sengaja

untuk tujuan tertentu misalnya menipu atau memberikan gambaran keliru

(mislead) kepada pihak – pihak lain, yang dilakukan oleh orang – orang baik

dari dalam maupun dari luar organisasi. Dalam berbagai organisasi perusahaan

maupun pemerintahan fraud dapat terjadi di berbagai lapisan kerja organisasi

manapun.

Dalam dunia perbankan, fraud dapat terjadi dalam berbagai transaksi,

yang dimana semakin banyak proses transaksi dilakukan maka potensi untuk

terjadinya fraud juga akan semakin tinggi. Sebagai Lembaga keuangan yang

memiliki peran penting dalam menunjang keberhasilan dan menjaga stabilitas

perekonomian, bank memiliki tingkat kompleksitas operasional yang tinggi.

Tingginya tingkat kompleksitas mengakibatkan risiko yang dihadapi akan

meningkat juga. Fraud dalam perbankan dapat mengakibatkan kerugian secara

finansial dan dapat menyebabkan hilangnya kepercayaan dari masyarakat atau

nasabah pada bank, serta memiliki dampak buruk bagi keberlangsungan

kegiatan bank. Pada akhirnya kerugian akibat fraud dapat menyebabkan

kebangkrutan.

Untuk menangani fraud dibutuhkan audit kecurangan (fraud audit) yang

bertujuan untuk menemukan kecurangan (Soejono, 2000). Namun pada

dasarnya akan sulit untuk mendeteksi fraud, karena auditor memerlukan

keahlian khusus untuk memahami pola yang terdapat pada laporan keuangan.

Selain itu dibutuhkan waktu yang cukup untuk mendeteksi fraud pada laporan

keuangan dalam skala yang besar. Dengan banyaknya data yang harus diolah

dan dipahami oleh auditor maka dibutuhkan suatu pengklasifikasian yang dapat


2

mempermudah dalam mendeteksi fraud pada data transaksi. Salah satu metode

yang dapat digunakan untuk melakukan pengklasifikasian adalah

backpropagation. Adapun penelitian terkait metode Backpropagation

dilakukan oleh Nada (2017) mengenai Prediksi Kesehatan Koperasi Dengan

Jaringan Syaraf Tiruan Metode Backpropagation. Pada penelitian tersebut

peneliti menggunakan fungsi transfer layer tan-sigmoid dan fungsi transfer

output purelin. Dari hasil penelitian tersebut, diperoleh model prediksi

kesehatan koperasi dengan dua hidden layer dengan jumlah neuron 20 dan 15

menghasilkan akurasi sebesar 71% untuk model jaringan yang ke-dua.

Berdasarkan pemaparan diatas, penulis tertarik melakukan penelitian

dengan menerapkan teknik penambangan data (data mining) untuk mendeteksi

fraud pada transaksi perbankan menggunakan metode klasifikasi dengan

algoritma Backpropagation.

1.2 Rumusan Masalah

Berdasarkan paparan latar belakang di atas, masalah yang dipecahkan dalam

penelitian ini adalah:

a) Bagaimana menerapkan algoritma Backpropagation agar dapat mendeteksi

fraud pada transaksi perbankan?

b) Berapa besar tingkat akurasi algoritma Backporpagation yang digunakan

untuk mendeteksi fraud pada sebuah transaksi perbankan?

1.3 Tujuan

Sesuai dengan latar belakang dan rumusan masalah di atas, tujuan penelitian

ini adalah:

a) Mampu mendeteksi apakah sebuah transaksi tersebut merupakan transaksi

fraud atau tidak dengan menerapkan algoritma Backpropagation.

b) Mengetahui tingkat akurasi yang dihasilkan dengan menggunakan

algoritma Backpropagation dalam mendeteksi fraud pada transaksi

perbankan.


3

1.4 Luaran

Dengan penelitian ini diharapkan mendapat luaran sebagai berikut:

a) Deteksi fraud pada transaksi perbankan dapat dilakukan dan mendapat

akurasi yang baik sehingga luaranya dapat dipertanggung jawabkan.

b) Deteksi fraud dapat dilakukan dengan menggunakan data transaksi

perbankan.

1.5 Manfaat

Manfaat yang diharapkan dengan adanya penelitian ini adalah dapat membantu

pihak bank dalam mendeteksi fraud dalam transaksi. Selain itu penelitian ini

diharapkan dapat memberikan gambaran bagi pembaca mengenai pendeteksian

fraud dalam transaksi dengan menggunakan algoritma Backpropagation.

1.6 Batasan Masalah

a) Penelitian dilakukan dengan menggunakan data transaksi pada salah satu

bank swasta di Indonesia. Data transaksi yang digunakan sebanyak 13.125

data dengan 27 atribut.

b) Penelitian menggunakan format file berupa .xlsx atau xls.

c) Penelitian akan terhenti bila sudah dapat mendeteksi sebuah transaksi dan

memberikan hasil dari deteksi.

d) Penelitian memanfaatkan algoritma Backpropagation sebagai acuan kerja

pada sistem dengan menggunakan aplikasi Matlab.

1.7 Sistematika Penulisan

Struktur penelitian pada penyusunan penulisan ini, adalah:

Bab I : Pendahuluan

Bab ini mengenai pemahaman dasar tentang latar belakang masalah, rumusan

masalah, tujuan penelitian, batasan masalah, dan sistematika penulisan.

Bab II : Landasan Teori

Bab ini berisi tentang teori yang akan digunakan guna menunjang penelitian

dan menjadi dasar atau sumber tertulis dari apa yang akan dilakukan, yaitu


4

berupa pengertian mengenai teori penambangan data, proses penambangan

data, pengertian jaringan syaraf tiruan dan pengertian algoritma

Backpropagation.

Bab III : Metodologi Penelitian

Bab ini berisi mengenai desain perancangan, yang meliputi: gambaran umum,

data, perancangan sistem dengan metode Backpropagation, tahap penelitian

dan spesifikasi alat.

Bab IV : Hasil dan Analisis

Bab ini berisi implementasi dan melakukan analisis dari deteksi fraud pada

transaksi dengan menggunakan metode Backpropagation.

Bab V : Kesimpulan

Bab ini berisi mengenai jawaban singkat dari rumusan masalah atau

kesimpulan dan saran dalam pengembangan serta penyempurnaan penelitian

yang dibuat.


5

BAB II

LANDASAN TEORI

Bab ini akan membahas dasar teori serta hasil penelitian terdahulu yang akan

digunakan dalam proses penyusunan dan pembahasan penelitian, yang mencakup

didalamnya bebarapa pengertian mengenai fraud, imbalanced data, data mining,

jaringan syaraf tiruan, dan evaluasi.

2.1 Fraud

Kecurangan atau Fraud terdiri dari berbagai bentuk atau cara yang nantinya

mungkin akan ditemukan oleh auditor dalam suatu audit. Fraud sendiri

didefinisikan dengan berbagai arti oleh para ahli. Menurut Karyono (2013; 4-5)

fraud dapat diistilahkan sebagai kecurangan yang mengandung makna suatu

penyimpangan dan perbuatan melanggar hukum (illegal act), yang dilakukan

dengan sengaja untuk tujuan tertentu misalnya menipu atau memberikan gambaran

keliru (mislead) kepada pihak – pihak lain, yang dilakukan oleh orang – orang baik

dari dalam maupun dari luar organisasi. Kecurangan di rancang untuk

memanfaatkan peluang – peluang secara tidak jujur, yang secara langsung maupun

tidak langsung merugikan pihak lain.

Sedangkan menurut Tuanakotta (2013; 28) fraud ialah:

”Any illegal act characterized by deceit, concealment or violation of

trust, these acts are not dependent upon the application of threats of

violence or physical force. Fraud are perpetrated by individuals, and

organization to obtain money, property or service; to avoid payment

or loss of services; or to secure personal business advantage.”

Pada pernyataan tersebut menjelaskan bahwa fraud adalah setiap tindakan

ilegal yang ditandai dengan tipu daya, penyembunyian atau pelanggaran

kepercayaan. Tindakan ini tidak tergantung pada penerapan ancaman kekerasan

atau kekuatan fisik. Penipuan yang dilakukan oleh individu, dan organisasi untuk

memperoleh uang, kekayaan atau jasa; untuk menghindari pembayaran atau

kerugian jasa; atau untuk mengamankan keutungan bisnis pribadi. Dari beberapa

definisi fraud menurut para ahli dapat disimpulkan bahwa fraud ialah tindakan yang


6

dilakukan seseorang individu atau organisasi secara sengaja untuk menipu atau

mendapatkan keuntungan dalam suatu kondisi, yang dimana tindakan tersebut

dapat merugikan pihak lain.

Pada dasarnya fraud tidak akan terjadi begitu saja. Fraud dapat terjadi karena

berbagai penyebab dan kemungkinan yang dapat dijadikan alasan untuk melakukan

tindakan fraud. Alasan yang ada bisa berasal dari dalam maupun luar diri sendiri.

Beberapa hal yang menyebabkan tindakan fraud terjadi yaitu kesempatan

(opportunity), tekanan (pressure), dan rasionalisasi (rationalization). Ketiganya

akan saling mendukung antara satu sama lain dan membentuk suatu segitiga

kecurangan (fraud triangle) Cressey (1950). Berikut adalah penjelasan dari segitiga

kecurangan (fraud triangle) yaitu:

1. Tekanan (Pressure)

Keinginan untuk hidup yang lebih baik dan pemenuhan kebutuhan keuangan

yang tidak dapat diceritakan kepada orang lain merupakan dasar untuk

melakukan suatu tindak kecurangan (fraud).

2. Kesempatan (Opportunity)

Adanya persepsi bahwa terdapat peluang atau kesempatan untuk melakukan

fraud tanpa diketahui oleh orang lain. Menurut Cressey (1950) terdapat dua

komponen dari persepsi mengenai peluang, yaitu:

• General information, yaitu pengetahuan bahwa kedudukan yang

mengandung kepercayaan dapat dilanggar tanpa konsekuensi.

• Technical skill, yaitu keahlian yang dimiliki seorang dan yang

menyebabkan orang tersebut mendapatkan kedudukan.

3. Rasionalisasi (Rationalization)

Pencarian pembenaran dengan berbagai alasan yang rasional untuk menutupi

tindakan pelaku, sehingga membuat tindakan yang dilakukan seolah – olah

dianggap wajar oleh masyarakat.


7

2.2 Imbalanced Data

Sebuah kumpulan data dikatakan tidak seimbang (imbalanced) dikarenakan

terdapat satu kelas yang memiliki jumlah data lebih kecil dibandingkan dengan

jumlah data pada kelas lainnya. Ketidak seimbangan tersebut sangat merugikan

bagi peneliti dalam bidang data mining, karena machine learning pada data mining

akan memiliki kesulitan dalam mengklasifikasi kelas dengan jumlah data yang kecil

(minority class) dengan benar. Sehingga jika pengujian dilakukan dengan

menggunakan dataset yang tidak seimbang maka pengujian akan fokus kepada

kelas dengan jumlah data yang besar (majority class) dan akan mengabaikan kelas

minoritas sehingga dapat menyebabkan error pada klasifikasi kelas minoritas.

Dengan kata lain kelas minoritas hanya akan dianggap sebagai noise saja.

Oleh karena itu, untuk mengatasi ketidak seimbangan kelas dapat dilakukan

dengan melakukan sampel ulang (resample) dataset. Adapun cara resample terdiri

dari dua cara yaitu over sampling dan under sampling. Over sampling merupakan

teknik resample yang akan meningkatkan jumlah kelas terkecil dengan cara

mereplikasi data secara acak sehingga memiliki jumlah yang sama dengan kelas

terbesar. Sedangkan under sampling merupakan mekanisme untuk mengurangi

jumlah data pada kelas terbesar secara acak sehingga memiliki jumlah yang sama

dengan kelas terkecil.

2.3 Data Mining

Data Mining adalah suatu istilah yang digunakan untuk menguraikan

penemuan pengetahuan di dalam database. Data Mining adalah proses yang

menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine

learning untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan

pengetahuan yang terkait dari berbagai database besar (Turban, dkk. 2005).

Istilah Data Mining dan Knowledge Discovery in Database (KDD) seringkali

digunakan secara bergantian untuk menjelaskan proses penggalian informasi

tersembunyi dalam suatu kumpulan data yang besar. Akan tetapi kedua istilah

tersebut memiliki konsep yang berbeda, tetapi berkaitan satu sama lain dan salah

satu tahap dalam proses KDD adalah data mining. Proses KDD ditunjukan pada


8

Gambar 2.1 sebagai urutan iteratif dari langkah – langkah berikut (Han, 2006):

Gambar 2.1 Proses KDD (Han, 2006)

1. Data cleaning

Data cleaning merupakan proses yang mencakup antara lain membuang

duplikasi data, memeriksa data yang tidak konsisten, dan memperbaiki

kesalahan pada data, seperti kesalahan penulisan (tipografi).

2. Data integration

Proses penambahan data yang sudah ada dengan data atau informasi lain

yang relevan atau dapat juga disebut sebagai penggabungan data dari

berbagai sumber data yang baru.

3. Data selection

Memilih atau mengambil data yang relevan dengan tugas analisis dari

database.


9

4. Data transformation

Proses mentransformasi atau mengubah data kedalam bentuk yang sesuai

untuk penggalian dengan melakukan operasi summary atau agregasi.

5. Data mining

Proses penting dimana metode cerdas diterapkan untuk mengekstrak pola

data.

6. Pattern evaluation

Mengidentifikasi pola yang benar – benar menarik yang mewakili

pengetahuan berdasarkan interestingness measures.

7. Knowledge presentation

Dimana visualisasi dan teknik representasi pengetahuan digunakan untuk

menyajikan pengetahuan yang digali kepada pengguna.

Data Mining dibagi menjadi beberapa kelompok berdasarkan tugas yang dapat

dilakukan, yaitu (Luthfi, 2009):

1. Deskripsi

Deskripsi dari pola dan kecenderungan sering memberikan kemungkinan

penjelasan untuk suatu pola atau kecenderungan.

2. Estimasi

Estimasi hampir sama dengan klasifikasi, kecuali variabel target estimasi

lebih ke arah numerik dari pada ke arah kategori. Model dibangun

menggunakan record lengkap yang menyediakan nilai dari variabel target

sebagai nilai prediksi. Selanjutnya, pada peninjauan berikutnya estimasi

nilai dari variabel target dibuat berdasarkan nilai variabel prediksi.

3. Prediksi

Prediksi hampir sama dengan klasifikasi dan estimasi, kecuali bahwa dalam

prediksi nilai dari hasil akan ada di masa mendatang. Beberapa metode dan

teknik yang digunakan dalam klasifikasi dan estimasi dapat pula digunakan

(untuk keadaan yang tepat) untuk prediksi.


10

4. Klasifikasi

Dalam klasifikasi, terdapat target variabel kategori. Sebagai contoh,

penggolongan pendapatan dapat dipisahkan dalam tiga kategori, yaitu

pendapatan tinggi, pendapatan sedang, dan pendapatan rendah.

5. Pengklusteran

Pengklusteran merupakan pengelompokan record, pengamatan, atau

memperhatikan dan membentuk kelas objek – objek yang memiliki

kemiripan. Kluster adalah kumpulan record yang memiliki kemiripan satu

dengan yang lainnya dan memiliki ketidak miripan dengan record – record

dalam kluster lain. Pengklusteran berbeda dengan klasifikasi yaitu tidak

adanya variabel target dalam pengklusteran. Pengklusteran tidak mencoba

untuk melakukan klasifikasi, mengestimasi, atau memprediksi nilai dari

variabel target. Akan tetapi, algoritma pengklusteran mencoba untuk

melakukan pembagian terhadap keseluruhan data menjadi kelompok –

kelompok yang memiliki kemiripan (homogen), yang mana kemiripan

record dalam satu kelompok akan berniali maksimal, sedangkan kemiripan

dengan record dalam kelompok lain akan bernilai minimal.

6. Asosiasi

Tugas asosiasi dalam data mining adalah menemukan atribu yang muncul

dalam satu waktu. Dalam dunia bisnis lebih umum disebut analisis

keranjang belanja.

2.4 Penelitian Sebelumnya

Pada penelitan yang dilakukan oleh Nada (2017) mengenai Prediksi Kesehatan

Koperasi Dengan Jaringan Syaraf Tiruan Metode Backpropagation peneliti

mengklasifikasi kesehatan koperasi menjadi empat yaitu, sehat, cukup sehat,

kurang sehat dan tidak sehat. Peneliti melakukan uji coba dengan beberapa

kombinasi hidden layer, k-fold, dan metode training untuk mencari akurasi

tertinggi. Pada penelitian tersebut digunakan 5 metode training yaitu trainscg,

traincgf, traingda, traingdx dan trainrp. Percobaan yang dilakukan pertama kali

adalah melakukan percobaan untuk akurasi metode training, yang berfungsi untuk


11

menentukan metode training yang akan digunakan. Percobaan pertama kali

dilakukan dengan 1 hidden layer menggunakan fungsi transfer tansig, fungsi

aktivasi purelin, epoch = 1000, dan k-fold =5. Akurasi tertinggi didapatkan pada

neuron 20 dengan metode training yaitu trainrp dan tingkat akurasi mencapai 68%.

Karena hasil percobaan masih kurang akurat dalam memprediksi kesehatan

koperasi, maka pengujian dilakukan dengan 2 hidden layer. Pada pengujian

berikutnya setiap metode training diuji satu persatu. Hasil yang diperoleh pada

pengujian terhadap metode training trainscg pada neuron 15 dan 30 menghasilkan

akurasi sebesar 68%, pada metode training traingda dengan menggunakan neuron

30 dan 15 menghasilkan akurasi sebesar 71%, pada metode training traingdx

dengan mengunakan neuron pada layer 2 20, 25, 30 menghasilkan akurasi sebesar

68%, pada metode training trainrp dengan menggunakan neuron 20 dan 20

menghasilkan akurasi sebesar 68%, dan pada metode training traincgf dengan

menggunakan neuron 35 dan 20 menghasilkan akurasi sebesar 64%. Dari beberapa

pengujian pada 2 hidden layer akurasi terbesar didapatkan dengan menggunakan

metode training traingda, dengan akurasi mencapai 71%.

2.5 Jaringan Syaraf Tiruan

Jaringan syaraf tiruan (artificial neural networks) merupakan model yang

mengadopsi cara kerja sistem jaringan syaraf makhluk hidup. Sistem tersebut terdiri

dari jaringan yang sangat kompleks yang terdiri dari neuron yang saling terhubung

(Siang, 2009). Ada tiga tipe neuron (node), yaitu input, hidden, dan output. Dua

buah node akan dihubungkan dalam setiap relasi dengan bobot tertentu dan juga

terdapat arah yang menunjukan aliran data dalam proses.

Input node merupakan layer pertama dalam jaringan syaraf. Hidden node akan

menerima masukan dari input node pada layer pertama atau dari hidden node pada

layer sebelumnya. Hidden node mengkombinasikan semua masukan berdasarkan

bobot dari relasi yang terhubung, melakukan kalkulasi, dan memberi keluaran

untuk layer berikutnya. Output node merupakan representasi atribut yang

diprediksi.


12

2.5.1. Arsitektur Jaringan

Beberapa arsitektur jaringan yang sering dipakai dalam jaringan syaraf

tiruan antara lain (Hagan & Demuth, 2014):

a. Jaringan Layer Tunggal (single layer network)

Dalam jaringan ini, sekumpulan input neuron dihubungkan

langsung dengan sekumpulan outputnya. Dalam beberapa model

(missal perceptron), hanya ada sebuah unit neuron output.

Gambar 2.2 Ilustrasi Jaringan Layer Tunggal (Hagan & Demuth,

2014)

Gambar 2.2 menunjukkan arsitektur jaringan dengan r unit input (p₁, p₂,

…, p𝑛) dan s buah unit output (a1, a2, …, as).

Dalam jaringan ini ditunjukkan semua unit input dihubungkan dengan

semua unit output, meskipun dengan bobot yang berbeda – beda. Tidak

ada unit input yang dihubungkan dengan unit input lainnya. Demikian

pula dengan unit output. Bobot – bobot ini saling independent. Selama

proses pelatihan, bobot – bobot tersebut akan dimodifikasi untuk

meningkatkan keakuratan hasil. Model semacam ini tepat digunakan

untuk pengenalan pola karena kesederhanaannya.

b. Jaringan Layer Jamak (multi layer network)

Jaringan layer jamak merupakan perluasan dari layer tunggal.

Dalam jaringan ini, selain unit input dan output, ada uni – unit lain.

Dimungkinkan pula ada beberapa layer tersembunyi. Sama seperti pada


13

unit input dan output, unit – unit dalam satu layer tidak saling

berhubungan.

Gambar 2.3 Ilustrasi Jaringan Layer Jamak (Hagan & Demuth, 2014)

Gambar 2.3 adalah jaringan dengan R buah unit input (p₁, p₂, …, pr),

sebuah layar tersembunyi yang terdiri dari w buah unit dan a buah unit

output.

Jaringan layar jamak dapat menyelesaikan masalah yang lebih

kompleks dibandingkan dengan layar tunggal, meskipun kadangkala

proses pelatihan lebih kompleks dan lama.

2.5.2. Backpropagation

Backpropagation melatih jaringan untuk mendapatkan keseimbangan

antara kemampuan jaringan untuk mengenali pola yang digunakan selama

pelatihan serta kemampuan jaringan untuk memberikan respon yang benar

terhadap pola masukan yang serupa (tapi tidak sama) dengan pola yang dipakai

selama pelatihan (Siang, 2009). Pelatihan sebuah jaringan backpropagation

terdiri dari 3 langkah, yaitu: pelatihan pola input secara feedforward,

perhitungan dan backpropagation dari kumpulan kesalahan dan penyesuaian

bobot.

Berikut merupakan penjelasan dari langkah – langkah pelatihan

backpropagation (Siang, 2009):

Pelatihan backpropagation meliputi tiga fase (Siang, 2009). Fase

pertama adalah fase maju, yang dimana pola masukan dihitung maju mulai dari

layar masukan hingga layar keluaran dengan menggunakan fungsi aktivasi


14

yang ditentukan. Fase kedua adalah fase mundur, yang dimana selisih antara

keluaran jaringan dengan target yang diinginkan merupakan kesalahan yang

terjadi. Kesalahan tersebut dipropagasikan mundur, yang dimulai dari garis

yang berhubungan langsung dengan unit – unit di layar keluaran. Fase ketiga

adalah modifikasi bobot untuk menurunkan kesalahan yang terjadi.

1. Fase I: Propagasi maju

Selama propagasi maju, sinyal masukan (=𝑥𝑖) dipropagasikan ke layar

tersembunyi menggunakan fungsi aktivasi yang ditentukan. Keluaran dari

setiap unit layar tersembunyi (=𝑧𝑗) tersebut selanjutnya dipropagasikan maju

lagi ke layar tersembunyi di atasnya menggunakan fungsi aktivasi yang

ditentukan. Demikian seterusnya hingga menghasilkan keluaran jaringan

(=𝑦𝑘). Kemudian keluaran jaringan (=𝑦𝑘) dibandingkan dengan target yang

harus dicapai (=𝑡𝑘). Selisih 𝑡𝑘- 𝑦𝑘 adalah kesalahan yang terjadi. Jika kesalahan

lebih kecil dari batas toleransi yang ditentukan, maka iterasi dihentikan. Akan

tetapi apabila kesalahan masih lebih besar dari batas toleransinya, maka bobot

dari setiap garis dalam jaringan akan dimodifikasi untuk mengurangi kesalahan

yang terjadi.

Algoritma propagasi maju pada pelatihan jaringan dengan satu layar

tersembunyi, menggunakan fungsi aktivasi sigmoid biner adalah sebagai

berikut (Siang, 2009):

1. Inisialisasi semua bobot dengan bilangan acak kecil.

2. Jika kondisi penghentian belum terpenuhi, lakukan langkah 3 – 9.

3. Untuk setiap pasang data pelatihan, lakukan langkah 4 – 9.

4. Tiap unit masukan menerima sinyal dan meneruskannya ke unit

tersembunyi di atasnya.

5. Hitung semua keluaran di unit tersembunyi 𝑧𝑗 (j= 1, 2, …, p).

𝑧_𝑛𝑒𝑡𝑗 = 𝑣𝑗𝑜 + ∑ 𝑥𝑖𝑣𝑗𝑖𝑛𝑖=1 …………………. (2.1)

𝑧𝑗 = 𝑓(𝑧_𝑛𝑒𝑡𝑗) =1

1+𝑒−𝑧_𝑛𝑒𝑡𝑗

………………….. (2.2)


15

Keterangan:

𝑧𝑗= bobot pada unit tersembunyi j.

𝑥𝑖=unit masukan i.

𝑣𝑗𝑖= bias pada unit tersembunyi j.

6. Hitung semua keluaran jaringan di unit 𝑦𝑘 (k= 1, 2, ...., m).

𝑦_𝑛𝑒𝑡𝑘 = 𝑤𝑘𝑜 + ∑ 𝑧𝑗𝑝𝑗=1 𝑤𝑘𝑗 ………………… (2.3)

𝑦𝑘 = 𝑓(𝑦_𝑛𝑒𝑡𝑘) =1

1+𝑒−𝑦_𝑛𝑒𝑡𝑘 ………………… (2.4)

Keterangan:

𝑦𝑘= unit keluaran k.

𝑤𝑘𝑗= bias pada unit keluaran j.


2. Fase II: Propagasi mundur

Dari kesalahan 𝑡𝑘- 𝑦𝑘 , dihitung factor 𝛿𝑘 (k=1, 2, …, m) yang dipakai

untuk mendistribusikan kesalahan di unit 𝑦𝑘 ke semua unit tersembunyi yang

terhubung langsung dengan 𝑦𝑘. 𝛿𝑘 juga digunakan untuk mengubah bobot garis

yang berhubungan langsung dengan unit keluaran. Dengan menggunakan cara

yang sama, factor 𝛿𝑗 dihitung disetiap unit di layar tersembunyi sebagai dasar

perubahan bobot semua garis yang berasal dari unit tersembunyi di layar di

bawahnya. Demikian seterusnya hingga semua factor 𝛿 di unit tersembunyi

yang berhubungan langsung dengan unit masukkan dihitung.

Algoritma propagasi mundur pada pelatihan jaringan dengan satu layar

tersembunyi, menggunakan fungsi aktivasi sigmoid biner adalah sebagai

berikut (Siang, 2009):

1. Hitung factor 𝛿 unit keluaran berdasarkan kesalahan di setiap unit

keluaran 𝑦𝑘 (k = 1, 2, …, m).

𝛿𝑘 = (𝑡𝑘 − 𝑦𝑘)𝑓′ (𝑦_𝑛𝑒𝑡𝑘) = (𝑡𝑘 − 𝑦𝑘)𝑦𝑘(1 − 𝑦𝑘) …… (2.5)


16

Keterangan:

𝛿𝑘= nilai koreksi bobot error untuk 𝑤𝑘𝑗 yang disebabkan oleh error

pada unit keluaran 𝑦𝑘.

𝑡𝑘= target yang harus dicapai.

𝑦𝑘= unit keluaran k.

Hitung suku perubahan bobot 𝑤𝑘𝑗 (yang nantinya akan digunakan

untuk mengubah bobot 𝑤𝑘𝑗) dengan laju percepatan 𝛼 .

∆𝑤𝑘𝑗 = 𝛼 𝛿𝑘 𝑧𝑗 ……………………… (2.6)

Keterangan:

∆𝑤𝑘𝑗 = Suku perubahan bobot bias pada unit keluaran j.

𝛼 = learning rate.


(k = 1, 2, …, m; j = 0, 1, …, p)

2. Hitung factor 𝛿 unit tersembunyi berdasarkan kesalahan setiap unit

tersembunyi 𝑧𝑗 (j= 1, 2, …, p)

𝛿_𝑛𝑒𝑡𝑗 = ∑ 𝛿𝑘𝑚𝑘=1 𝑤𝑘𝑗 …………………. (2.7)

Keterangan:

𝛿𝑘= nilai koreksi bobot error untuk 𝑤𝑘𝑗 yang disebabkan oleh error

pada unit keluaran 𝑦𝑘.

𝑤𝑘𝑗= bias pada unit keluaran j.

Factor 𝛿 unit tersembunyi:

𝛿𝑗 = 𝛿_𝑛𝑒𝑡𝑗 𝑓′(𝑧_𝑛𝑒𝑡𝑗) = 𝛿_𝑛𝑒𝑡𝑗 𝑧𝑗(1 − 𝑧𝑗) …..… (2.8)

Keterangan:

𝛿𝑗= nilai koreksi bobot error untuk yang disebabkan oleh informasi

propagasi balik dari error pada lapis keluaran ke unit tersembunyi 𝑧𝑗.



17

Hitung suku perubahan bobot 𝑣𝑗𝑖 yang nanti akan digunakan untuk

mengubah bobot 𝑣𝑗𝑖.

∆𝑣𝑗𝑖 = 𝛼 𝛿𝑗 𝑥𝑖 ………………….….. (2.9)

Keterangan:

∆𝑣𝑗𝑖 = Suku perubahan bobot 𝑣𝑗𝑖.

𝛼 = kostanta laju pembelajaran (learning rate).

𝑥𝑖=unit masukan i.

(j = 1, 2, …, p; i = 0, 1, …, n)

3. Fase III: Perubahan bobot

Setelah menghitung semua factor 𝛿, maka dilakukan modifikasi bobot

untuk semua garis secara bersamaan. Perubahan bobot suatu garis berdasarkan

factor 𝛿 neuron di layar atasnya.

Ketiga fase tersebut akan terus diulang hingga kondisi penghentian

dipenuhi. Jumlah iterasi atau kesalahan umumnya dipakai sebagai kondisi

penghentian. Iterasi akan dihentikan jika jumlah iterasi yang dilakukan sudah

melebihi jumlah maksimum iterasi yang ditetapkan, atau jika kesalahan yang

terjadi sudah lebih kecil dari batas toleransi yang diijinkan.

Algoritma perubahan bobot pada pelatihan jaringan dengan satu layer

tersembunyi dan fungsi aktivasi sigmoid biner (Siang,2009):

1. Hitung semua perubahan bobot. Perubahan bobot garis yang menuju

ke unit keluaran:

𝑤𝑘𝑗(𝑏𝑎𝑟𝑢) = 𝑤𝑘𝑗(𝑙𝑎𝑚𝑎) + ∆𝑤𝑘𝑗 ……………. (2.10)

Keterangan:

𝑤𝑘𝑗(𝑏𝑎𝑟𝑢)= bias pada unit keluaran j yang baru.

𝑤𝑘𝑗(𝑙𝑎𝑚𝑎)= bias pada unit keluaran j yang lama.

∆𝑤𝑘𝑗= suku perubahan bobot bias pada unit keluaran j.

(k = 1, 2, …, m; j = 0, 1, …, p)


18

Perubahan bobot garis yang menuju ke unit tersembunyi:

𝑣𝑗𝑖(𝑏𝑎𝑟𝑢) = 𝑣𝑗𝑖(𝑙𝑎𝑚𝑎) + ∆𝑣𝑗𝑖 ………………. (2.11)

Keterangan:

𝑣𝑗𝑖(𝑏𝑎𝑟𝑢)= bias pada unit tersembunyi j yang baru.

𝑣𝑗𝑖(𝑙𝑎𝑚𝑎)= bias pada unit tersembunyi j yang lama.

∆𝑣𝑗𝑖 = Suku perubahan bobot 𝑣𝑗𝑖.

(j = 1, 2, …, p; i = 0, 1, …, n)

2.5.3. Arsitektur

Jaringan syaraf banyak lapisan dengan 3 lapisan dari unit yang

tersembunyi.

Gambar 2.4 Jaringan 3 Layer (Hagan and Beale, 2014)

Ilustrasi klasifikasi menggunakan multilayer perceptron.

2.5.4. Fungsi Aktivasi

Fungsi aktivasi yang digunakan dalam backpropagation harus

memenuhi beberapa syarat yaitu: kontinu, terdiferensial dengan mudah dan

merupakan fungsi yang tidak turun. Fungsi sigmoid biner dengan range (0,1)

merupakan salah satu fungsi yang memenuhi ketiga syarat tersebut.

𝑓(𝑥) =1

1+𝑒−𝑥 …………………………… (2.12)

dengan turunan

𝑓′(𝑥) = 𝑓(𝑥)(1 − 𝑓(𝑥)) …………………….. (2.13)


19

Grafik fungsi pada Gambar 2.5

Gambar 2.5 Grafik Fungsi Sigmoid biner (Siang, 2009)

Fungsi lain yang sering dipakai adalah fungsi sigmoid bipolar yang memiliki

range (-1, 1). Fungsi sigmoid bipolar memiliki bentuk fungsi yang mirip

dengan fungsi sigmoid biner, yang membedakan adalah nilai dari rangenya.

𝑓(𝑥) =2

1+𝑒−𝑥 − 1 …………………………. (2.14)

dengan turunan

𝑓′(𝑥) =(1+𝑓(𝑥))(1−𝑓(𝑥))

2 ……….……………… (2.15)

Grafik fungsi pada Gambar 2.6

Gambar 2.6 Grafik Fungsi Sigmoid bipolar (Siang, 2009)

Fungsi sigmoid memiliki nilai maksimum = 1. Untuk pola yang targetnya > 1,

pola masukan dan keluaran harus terlebih dahulu ditransformasi sehingga

semua polanya memiliki range yang sama seperti fungsi sigmoid yang dipakai.


20

2.6 Evaluasi

Merupakan tahap akhir dalam pengenalan pola. Evaluasi bertujuan untuk

menguji tingkat keberhasilan dari sistem. Untuk menguji keberhasilan dari sistem,

maka dapat digunakan metode K-Fold Cross Validation. Pada Gambar 2.7

merupakan contoh dari K-Fold Cross Validation dengan nilai K=3.

Gambar 2.7 K-Fold Cross Validation

Seluruh data akan dibagi menjadi 3 bagian yang kemudian akan dilakukan 3

kali testing. Fold pertama akan menggunakan bagian 1 dan 2 sebagai model dan

menggunakan bagian 3 sebagai testing. Fold kedua akan menggunakan bagian 2

dan 3 sebagai model dan menggunakan bagian 1 sebagai testing. Fold ketiga akan

menggunakan bagian 1 dan 3 sebagai model dan bagian 2 sebagai testing. Untuk

mengetahui seberapa besar tingkat akurasi dari hasil evaluasi dari masing – masing

fold. Maka digunakan perhitungan Confusion Matrix. Pada Tabel 2.1 merupakan

perhitungan Confusion Matrix yang akan digunakan.

Tabel 2.1 Confusion Matrix

Kelas Prediksi

Positif Negatif

Positif TP (True Positif) FN (False Negatif)

Negatif FP (False Positif) TN (True Negatif)


21

Nilai akurasi dapat dihitung dengan persamaan:

𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 𝑇𝑃+𝑇𝑁

𝑇𝑃+𝑇𝑁+𝐹𝑃+𝐹𝑁𝑥 100% ……………. (2.16)

Keterangan:

TP = Jumlah positif yang diklasifikasi sebagai positif

TN = Jumlah negative yang diklasifikasi sebagai negative

FN = Jumlah negative yang diklasifikasi sebagai positif

FP = Jumlah positif yang diklasifikasi sebagai negative


22

BAB III

METODOLOGI PENELITIAN

Bab ini akan membahas analisis kebutuhan sistem yang mencakup tahapan –

tahapan pengolahan data dan proses yang akan dibangun untuk melakukan

perhitungan deteksi fraud pada transaksi. Secara umum pembahasan pada bab ini

digambarkan pada Gambar 3.1 berikut ini:

Gambar 3.1 Gambaran Umum Penelitian

3.1 Data

Data yang akan digunakan oleh penulis dalam penelitian ini diperoleh dari

salah satu bank swasta di Indonesia. Data yang ada berfokus pada data transaksi

bank. Jumlah data sebanyak 13.125 record data transaksi yang terdiri dari 27 atribut

dan 1 kelas.

Tabel 3.1 Penjelasan Atribut

No. Atribut Keterangan

1. x Id kartu.

2. id_tanggal_transaksi_awal Id tanggal transaksi dilakukan.

3. tanggal_transaksi_awal Tanggal dilakukannya transaksi.

4. tipe_kartu Tipe kartu saat melakukan transaksi.

(0/1/2/3/4/5/24/28/93/103/104/111/132/138)

5. id_merchant Merchant dimana kartu tersebut bertransaksi.

(-2/1401/1498/1557/1572/1667/…/720990)

6. nama_merchant Merchant dimana kartu tersebut bertransaksi.


23

(2/5/7/8/10/11/12/13/14/15/17/19/…/1859)

7. tipe_mesin Tipe Mesin yaitu, mesin ATM (Automated

Teller Machine) atau mesin EDC (Electronic

Data Capture).

(-4/-3/-2/3/7/14/15/25/28/34/42/…/6928943)

8. tipe_transaksi Jenis Transaksi.

(26/58/147/148/153/156/158/159/…/640)

9. nama_transaksi Jenis Transaksi.

(1/2/3/4/5/6/7/8/9/10/11/12/13/14/15/…/20)

10. nilai_transaksi Nilai uang yang tercatat pada saat transaksi.

11. id_negara Negara tempat dilakukannya transaksi.

(-2/45/57/64/73/96/104/149/157/168/…/183)

12. nama_negara Negara tempat dilakukannya transaksi.

(1/4/5/6/7/8/10/11/12/14/15/16)

13. nama_kota Nama kota dilakukannya transaksi.

(1/3/4/5/7/8/9/10/11/13/15/17/19/21/…/293)

14. lokasi_mesin Lokasi dimana mesin beroperasi.

(2/4/7/8/9/10/11/13/14/16/18/19/24/…/8697)

15. pemilik_mesin Pemilik mesin.

(1/2/5/7/9/11/12/14/17/18/19/20/24/…/2688)

16. waktu_transaksi Waktu dilakukanya transaksi.

17. kuartal_transaksi Kuartal waktu transaksi.

(1/2/3/4)

18. kepemilikan_kartu Kepemilikan kartu.

(1/2)

19. nama_channel Kartu via channel apa saat transaksi.

(1/2/3/4/5)

20. id_channel Kartu via channel apa saat transaksi.

(3/4/8/9)

21. flag_transaksi_finansial Jenis transaksi.


24

(false)

22. status_transaksi Status transaksi gagal atau berhasil.

(3)

23. bank_pemilik_kartu Kepemilikan kartu yang dimiliki suatu bank.

(999)

24. rata_rata_nilai_transaksi Rata – rata nilai transaki.

25. maksimum_nilai_transaksi Nilai maksimum transaksi.

26. minimum_nilai_transaksi Nilai minimum transaksi.

27. rata_rata_jumlah_transaksi Rata – rata jumlah transaksi.

28. flag_transaksi_fraud Apakah transaksi tergolong fraud atau tidak.

(0/1)

3.2 Preprocessing

1. Data cleaning

Proses data cleaning bertujuan untuk menghilangkan noise dan data yang

tidak konsisten. Pada penelitian ini tahap data cleaning dilakukan karena

ditemukan beberapa atribut yang memiliki nilai missing value. Atribut – atribut

yang memiliki nilai missing value adalah atribut rata_rata_nilai_transaksi,

maksimum_nilai_transaksi, minimum_nilai transaksi, dan

rata_rata_jumlah_transaksi. Untuk mengatasi missing value tersebut dilakukan

dengan mengganti nilai missing value dengan nilai rata – rata dari tiap atribut.

Nilai rata – rata tiap atribut didapatkan dengan menggunakan rumus:

x̅ =x1+x2+⋯+xn

n…………………….. (3.1)

Keterangan:

x̅ = Rata – rata (Mean)

x1 = Nilai data ke-1.

x2 = Nilai data ke-2.

xn = Nilai data ke-n.

n = Banyak data.


25

Sehingga didapatkan hasil rata – rata dari setiap atribut yang ada sebagai

berikut:

• Rata_rata_nilai_transaksi = 1364131.82676

• Maksimum_nilai_transaksi = 12287602.94406

• Minimum_nilai_transaksi = 76519.32860

• Rata_rata_jumlah_transaksi = 2.436182

2. Data transformation

Proses data transformation adalah proses mengubah data ke dalam bentuk

yang sesuai untuk ditambang. Pada penelitian ini, proses data transformation

akan dilakukan dengan mengubah data menjadi data numerik untuk beberapa

atribut tertentu. Proses transformasi dilakukan dengan tahap – tahap sebagai

berikut:

1. Memilih atribut mana saja yang datanya akan di transformasi. Pada

penelitian ini atribut yang akan di transformasi adalah

id_tanggal_transaksi_awal, nilai_transaksi, rata_rata_nilai_transaksi,

maksimum_nilai transaksi, minimum_nilai transaksi, dan

rata_rata_jumlah_transaksi. Setelah itu mencari nilai interval pada

masing – masing atribut.

2. Untuk mengetahui interval masing – masing atribut, yang harus

dilakukan adalah dengan mencari nilai minimum dan maksimum pada

atribut.

➢ Id_tanggal_transaksi_awal

Nilai minimum : 2457297

Nilai maksimum : 2457662

➢ nilai_transaksi

Nilai minimum : 1


➢ rata_rata_nilai_transaksi


Nilai maksimum : 24666666.67


26

➢ maksimum_nilai_transaksi



➢ minimum_nilai_transaksi

Nilai minimum : 1


➢ rata_rata_jumlah_transaksi

Nilai minimum : 1

Nilai maksimum : 19.78

3. Setelah nilai minimum dan maksimum diketahui, kemudian Panjang

kelas interval masing – masing atribut dihitung dengan menggunakan

teknik discretization by binning. Teknik discretization by binning

merupakan proses pengelompokan atau pembagian data ke dalam

beberapa kelompok dengan lebar (jarak) yang sama., dengan rumus

yaitu:

𝑊 =𝑀𝑎𝑘𝑠−𝑀𝑖𝑛

𝑘…………………….. (3.2)

Keterangan:

𝑊 = Panjang kelas interval

𝑀𝑎𝑘𝑠 = Nilai maksimum

𝑀𝑖𝑛 = Nilai minimum

𝑘 = jumlah kelompok yang diinginkan

Berdasarkan rumus tersebut, Panjang kelas interval masing – masing

atribut yaitu:

➢ Id_tanggal_transaksi_awal

𝑊 =2457662 − 2457297

12= 30.41667

➢ Nilai_transaksi

𝑊 =75000000 − 1

750= 100000


27

➢ Rata_rata_nilai_transaksi

𝑊 =24666666.67 − 50000

750= 32822.223

➢ Maksimum_nilai_transaksi

𝑊 =100000000 − 38000

750= 133282.6667

➢ Minimum_nilai_transaksi

𝑊 =75000000 − 1

750= 100000

➢ Rata_rata_jumlah_transaksi

𝑊 =19.78 − 1

20= 0.939

Selain atribut diatas terdapat satu atribut lagi yang ditransformasi yaitu

atribut waktu_transaksi. Atribut waktu_transaksi dikelompokan kedalam

4 kelompok dengan pembagian kelompok sebagai berikut:

• 00.00 – 05.59 : 1

• 06.00 – 11.59 : 2

• 12.00 – 17.59 : 3

• 18.00 – 23.59 : 4

3. Data selection

Proses data selection merupakan proses memilih atau mengambil data atau

atribut yang relevan dengan penelitian ini. Pada atribut

flag_transaksi_finansial, status_transaksi, dan bank_pemilik_kartu data

memiliki nilai yang sama sehingga ketiga atribut tersebut tidak akan digunakan

karena tidak terdapat nilai pembanding. Untuk atribut x tidak akan digunakan

karena atribut tersebut merupakan id dari setiap transaksi yang terjadi. Pada

atribut id_tanggal_transaksi_awal dan tanggal_transaksi_awal ditemukan


28

bahwa kedua atribut tersebut saling terkait sehingga dapat digunakan salah satu

atribut saja untuk mewakili kedua atribut tersebut. Pada penelitian ini peneliti

menggunakan atribut id_tanggal_transaksi_awal. Selain atribut

id_tanggal_transaksi_awal dan tanggal_transaksi_awal terdapat pula beberapa

atribut lainnya yang saling terkait antara satu dengan yang lain yaitu, atribut

id_merchant dengan nama_merchant dimana peneliti memilih untuk

menggunakan atribut id_merchant. Kemudian atribut tipe_transaksi dengan

nama_transaksi dimana peneliti memilih untuk menggunakan atribut

nama_transaksi. Atribut id_negara dengan nama_negara dimana peneliti

memilih untuk menggunakan id_negara. Atribut id_channel dengan

nama_channel dimana peneliti memilih untuk menggunakan atribut

nama_channel.

Pada atribut tipe_mesin peneliti tidak menggunakannya karena atribut

tersebut merupakan penjelasan tipe dari mesin ATM atau EDC yang ada.

Peneliti juga tidak menggunakan atribut pemilik_mesin karena atribut tersebut

hanya merupakan id dari pemiliki mesin.

Pada penelitian ini aplikasi Weka versi 3.8.3 digunakan untuk melakukan

perankingan terhadap atribut dengan menerapkan information gain. Rumus

untuk menghitung information gain:

InfoA(D) = Σjv |Dj|

|D|xI(Dj)……….………….. (3.3)

Keterangan:

A : Atribut

v : suatu nilai yang mungkin untuk atribut A.

j : maksimal nilai yang mungkin untuk atribut A.

| 𝐷𝑗 | : Jumlah sampel untuk nilai j.

| 𝐷 | : Jumlah seluruh sampel data.

𝐺𝑎𝑖𝑛(𝐴) = 𝐼𝑛𝑓𝑜(𝐷) − 𝐼𝑛𝑓𝑜𝐴(𝐷) …………… (3.4)


29

Keterangan:

A : Atribut

𝐼𝑛𝑓𝑜(𝐷) : Entropi untuk kelas D.

𝐼𝑛𝑓𝑜𝐴(𝐷) : Entropi untuk kelas D pada atribut A.

Berikut merupakan contoh data setelah dilakukan data cleaning¸data

transformation, dan data selection:

Tabel 3.2 Contoh Data Setelah Preprocessing

id_

tan

gg

al_

tran

sak

si_

awal

tip

e_k

artu

id_

mer

chan

t

nam

a_tr

ansa

ksi

nil

ai_

tran

sak

si

id_n

egar

a

nam

a_k

ota

lok

asi_

mes

in

wak

tu_

tran

sak

si

ku

arta

l_tr

ansa

ksi

kep

emil

ikan

_k

artu

nam

a_ch

ann

el

rata

_ra

ta_

nil

ai_tr

ansa

ksi

mak

sim

um

_n

ilai

_tr

ansa

ksi

min

imu

m_

nil

ai_

tran

sak

si

rata

_ra

ta_

jum

lah

_tr

ansa

ksi

lab

el

11 111 -2 10 21 96 265 4137 3 4 2 1 39 72 0 1 0

7 2 -2 12 11 96 101 1283 2 3 1 5 471 749 0 1 0

11 103 75336 6 3 96 239 7049 2 3 2 2 20 51 0 1 0

0 0 -2 10 1 96 69 3425 2 3 2 1 17 18 0 0 0

3 111 -2 11 0 96 128 744 3 4 2 1 6 9 0 0 0

4 111 -2 12 24 96 121 1264 1 2 1 5 40 74 0 1 1

1 111 -2 12 12 96 229 80 2 3 1 5 32 19 0 1 1

8 104 -2 9 4 96 128 5546 1 2 2 1 4 5 0 1 1

4 111 -2 11 2 96 265 1665 1 2 2 1 16 25 0 1 1

3 0 -2 12 0 96 8 66 1 2 1 5 15 135 0 2 1

3.3 Imbalanced data

Dalam penelitian ini tahap imbalanced data dilakukan dengan menggunakan

teknik under sampling pada data yang akan digunakan. Teknik under sampling

dilakukan dengan mengurangi jumlah data pada kelas 0, sehingga jumlah data yang

akan digunakan pada kelas 0 yaitu dua kali lipat dari jumlah data pada kelas 1. Dari

hasil under sampling tersebut total data yang akan digunakan, yaitu 2730 data

dengan 910 data pada kelas 1 dan 1820 data pada kelas 0.


30

3.4 Model Backpropagation

Pada penelitian ini algoritma backpropagation digunakan untuk melakukan

proses klasifikasi dimana nantinya dapat mengklasifikasi data transaksi tergolong

fraud atau tidak. Arsitektur jaringan yang akan digunakan sebagai pelatihan dalam

penelitian ini dapat dilihat pada Gambar 3.2.

Gambar 3.2 Arsitektur Jaringan Untuk Pelatihan

Gambar 3.2 merupakan arsitektur jaringan yang akan digunakan sebagai

pelatihan dari pengklasifikasian transaksi. Fungsi aktivasi yang digunakan adalah

sigmoid biner dengan range (0,1). Berikut merupakan penjelasan mengenai gambar

arsitektur jaringan tersebut:

1. 𝑥1, 𝑥2, … … , 𝑥16 adalah lapisan masukan pada jaringan syaraf tiruan. Masukan

tersebut berupa atribut yang digunakan dalam penelitian. Pada penelitian ini

digunakan 16 atribut yaitu: id_tanggal_transaksi_awal, tipe_kartu,

id_merchant, nama_transaksi, nilai_transaksi, id_negara, nama_kota,

lokasi_mesin, waktu_transaksi, kuartal_transaksi, kepemilikan_kartu,

nama_channel, rata_rata_nilai_transaksi, maksimum_nilai_transaksi,

minimum_nilai_transaksi, rata_rata_jumlah_transaksi.

2. 𝑧1, 𝑧2, … … , 𝑧𝑛 adalah lapisan tersembunyi (hidden layer) yang nantinya akan

digunakan untuk mengelolah nilai dari masukan. Dalam hidden layer ini

nantinya akan dilakukan variasi pada jumlah neuron yang digunakan yaitu 5,

10, 15, 20, 25, 30, 35, 40, 45, dan 50.

3. 𝑌 adalah lapisan luaran yang memiliki satu neuron. Nilai luaran akan bernilai

0 atau 1. Berikut merupakan hasil dari luaran yang diinginkan:


31

Tabel 3.3 Target Luaran Jenis Transaksi

Jenis transaksi Nilai target output

Fraud 1

Non fraud 0

3.5 Kebutuhan Sistem

Alat yang digunakan dalam perancangan sistem:

1. Perangkat Keras

a. Prosesor : Intel® Core™ i3 2348(2.3 GHz)

b. RAM : 10 GB

2. Perangkat Lunak

a. Sistem Operasi : Microsoft Windows 7

b. Micrsoft Excel 2016

c. Matlab R2018a

3.6 Perancangan Antar Muka Sistem

Gambar 3.3 Tampilan Menu Utama

Gambar 3.3 merupakan tampilan antar muka sistem yang terbagi menjadi 3

panel yaitu panel Tabel Data dan panel uji data tunggal.


32

3.5.1. Panel Tabel Data

Pada panel tabel data terdapat tombol Pilih Data yang berfungsi untuk

memilih data yang akan digunakan. Panel ini juga terbagi dalam 3 sub

panel, yaitu Panel Data Sebelum Preprocessing, Panel Data Setelah

Preprocessing, dan Panel Klasifikasi. Fungsi dari masing – masing panel

yaitu:

1. Panel Data Sebelum Preprocessing

Panel ini berfungsi untuk menampilkan data yang telah dipilih

sebelumnya. Pada panel ini juga terdapat tombol Preprocessing yang

berfungsi untuk melakukan preprocessing pada data yang telah

dipilih sebelumnya.

2. Panel Data Setelah Preprocessing

Panel ini digunakan sebagai kolom untuk menampilkan hasil dari

preprocessing data.

3. Panel Klasifikasi

Pada panel ini terdapat 3 drop down panel. Drop down panel yang

pertama berfungsi untuk memilih jumlah hidden layer yang akan

digunakan dengan pilihan yaitu 1 Hidden Layer atau 2 Hidden Layer.

Drop down panel kedua berfungsi untuk memilih jumlah neuron yang

akan digunakan untuk 1 Hidden Layer. Sedangkan drop down yang

ketiga akan muncul ketika pilihan pada drop down panel pertama

adalah 2 Hidden Layer. Pada setiap drop down panel neuron yang ada

rentang nilai yang digunakan yaitu 5, 10, 15, 20, 25, 30, 35, 40, 45,

50. Kemudian terdapat tombol Proses yang berfungsi sebagai tombol

eksekusi perintah untuk menjalankan proses klasifikasi, yang dimana

data yang akan digunakan adalah dati dari Panel Data Setelah

Preprocessing. Setelah tombol Proses ditekan maka nantinya akan

muncul text box yang akan menampilkan hasil akurasi dan waktu.


33

3.5.2. Panel Uji Data Tunggal

Panel Uji Data Tunggal berisi 8 text box dan 4 drop down yang

digunakan untuk menginputkan data sesuai dengan masing – masing

atribut. Kemudian data tersebut akan diklasifikasikan dengan cara

menekan tombol Proses, sehingga pada text box yang telah disediakan

akan muncul hasil yang menyatakan apakah data tersebut termasuk

kedalam data transaksi fraud atau tidak. Jika transaksi merupakan fraud

maka nantinya akan muncul kata “Transaksi Fraud”. Dan jika transaksi

merupakan non fraud maka akan muncul kata “Transaksi Non Fraud”.

Terdapat satu tombol lagi yaitu tombol Bersihkan. Tombol Bersihkan

berfungsi untuk menghapus data yang telah diuji sebelumnya.


34

BAB IV

HASIL DAN ANALISIS SISTEM

Pada bab ini akan membahas mengenai uraian dari implementasi perancangan

sistem yang berupa hasil dari penelitian dalam melakukan pengujian kombinasi

penggunaan data, kombinasi neuron dan hidden layer, serta hasil luaran dari sistem.

4.1 Preprocessing

4.1.1 Data Selection

Sebelum melakukan pengujian untuk mencari arsitektur optimal pada

metode backpropagation, peneliti terlebih dahulu melakukan pengujian untuk

menentukan atribut yang akan digunakan berdasarkan hasil perankingan dari

aplikasi weka. Dari penggunaan aplikasi weka dengan menggunakan

information gain untuk melakukan perankingan didapatkan hasil perankingan

atribut yang dapat dilihat pada Tabel 4.1:

Tabel 4.1 Hasil Perankingan Menggunakan Weka

No Atribut

1 nama_channel

2 nama_transaksi

3 kepemilikan_kartu

4 nilai_transaksi

5 lokasi_mesin

6 nama_kota

7 id_merchant

8 minimum_nilai_transaksi

9 id_tanggal_transaksi_awal

10 rata_rata_jumlah_transaksi

11 waktu_transaksi

12 kuartal_transaksi

13 id_negara

14 tipe_kartu

15 maksimum_nilai_transaksi

16 rata_rata_nilai_transaksi

Setelah melakukan perankingan dengan menggunakan Weka, peneliti

melakukan pereduksian atribut yang dimulai dari ranking terbawah. Reduksi


35

atribut dilakukan dengan menggunakan algoritma backpropagation. Hasil

percobaan yang dilakukan dapat dilihat pada tabel 4.2:

Tabel 4.2 Percobaan seleksi data

Percobaan Atribut Hasil

1 nama_channel, nama_transaksi,

kepemilikan_kartu, nilai_transaksi,

lokasi_mesin, nama_kota,

id_merchant,

minimum_nilai_transaksi,

id_tanggal_transaksi_awal,

rata_rata_jumlah_transaksi,

waktu_transaksi, kuartal_transaksi,

id_negara, tipe_kartu,

maksimum_nilai_transaksi,

rata_rata_nilai_transaksi

76.63 %

(trainlm)




id_merchant,





id_negara, tipe_kartu,

maksimum_nilai_transaksi

77.2894 %

(trainlm)




id_merchant,





id_negara, tipe_kartu

77.2161 %

(trainlm)




id_merchant,


77.3626 %

(trainlm)


36




id_negara




id_merchant,




waktu_transaksi, kuartal_transaksi

77.5824 %

(trainlm)




id_merchant,




waktu_transaksi

76.9597 %

(trainlm)




id_merchant,



rata_rata_jumlah_transaksi

76.9597 %

(trainlm)




id_merchant,


id_tanggal_transaksi_awal

77.033 %

(trainlm)




id_merchant,

minimum_nilai_transaksi

77.0696 %

(trainlm)



76.7399 %


37


id_merchant

(trainlm)



lokasi_mesin, nama_kota

76.7399 %

(trainlm)



lokasi_mesin

76.9963 %

(trainlm)


kepemilikan_kartu, nilai_transaks

77.1429 %

(trainlm)


kepemilikan_kartu

76.63 %

(trainlm)

15 nama_channel, nama_transaksi 76.8498 %

(trainlm)

16 nama_channel 76.8864 %

(trainlm)

Dari tabel diatas, peneliti mereduksi 4 atribut dari 16 atribut. Sehingga

peneliti akan menggunakan 12 atribut, karena setelah melakukan reduksi

atribut diperoleh hasil akurasil tertinggi sebesar 77.5824 % pada percobaan ke-

5. Pada Tabel 4.3 dapat dilihat beberapa contoh data setelah data selection

dilakukan.

Tabel 4.3 Contoh data setelah di seleksi

nam

a_ch

ann

el

nam

a_tr

ansa

ksi

kep

emil

ikan

_k

artu

nil

ai_

tran

sak

si

lok

asi_

mes

in

nam

a_ko

ta

id_

mer

chan

t

min

imu

m_n

ilai

_tr

ansa

ksi

id_

tan

gg

al_

tran

sak

si_

aw

al

rata

_ra

ta_

jum

lah

_tr

ansa

k

si

wak

tu_

tran

sak

si

ku

arta

l_tr

ansa

ksi

lab

el

1 10 2 21 4137 265 -2 0 11 1 3 4 0

5 12 1 24 1264 121 -2 0 4 1 1 2 1

5 12 1 11 1283 101 -2 0 7 1 2 3 0

2 6 2 3 7049 239 75336 0 11 1 2 3 0

1 10 2 1 3425 69 -2 0 0 0 2 3 0

5 12 1 12 80 229 -2 0 1 1 2 3 1


38

1 9 2 4 5546 128 -2 0 8 1 1 2 1

1 11 2 2 1665 265 -2 0 4 1 1 2 1

1 11 2 12 1444 265 -2 0 10 0 2 3 0

2 6 2 1 7249 265 568254 9 0 2 1 2 1

4.2 Klasifikasi

Pada proses klasifikasi dengan menggunakan Jaringan Syaraf Tiruan peneliti

melakukan uji coba dengan variasi pada fungsi aktivasi yaitu logsig dan tansig,

variasi pada fungsi training yaitu trainlm, trainrp, trainscg, traincgb, traincgf,

traincgp, trainoss, dan traingdx, hidden layer, dan variasi neuron yaitu 5, 10, 15, 20,

25, 30, 35, 40, 45, serta 50 untuk mendapatkan arsitektur yang optimal.

Percobaan awal yang dilakukan adalah percobaan variasi fungsi aktivasi, untuk

menentukan fungsi aktivasi yang akan digunakan. Pada percobaan awal ini fungsi

training yang digunakan yaitu trainlm, dengan neuron 5.

Gambar 4.1 Grafik Variasi Fungsi Aktivasi

Dari Gambar 4.1 diatas dapat dilihat hasil dari percobaan variasi fungsi aktivasi

yang telah dilakukan. Akurasi tertinggi didapat pada fungsi aktivasi logsig dengan

tingkat akurasi mencapai 77.5824 %.

Setelah menentukan fungsi aktivasi yang akan digunakan, selanjutnya

dilakukan percobaan variasi fungsi training untuk menentukan fungsi training yang

akan digunakan. Pada percobaan ini akan menggunakan fungsi aktivasi logsig dan

neuron 5.

logsig tansig

trainlm, neuron 5 77.5824 76.7033

76

76.4

76.8

77.2

77.6

78

Aku

rasi

Fungsi Aktivasi

Akurasi Fungsi Aktivasi


39

Gambar 4.2 Grafik Variasi Fungsi Training

Dapat dilihat pada Gambar 4.2 hasil percobaan variasi fungsi training yang

telah dilakukan. Hasil tertinggi didapatkan pada fungsi training trainlm dengan

akurasi sebesar 77.5824 %.

Setelah menentukan fungsi aktivasi dan fungsi training yang akan digunakan

maka peneliti melakukan percobaan dengan kombinasi pada hidden layer dan

neuron.

4.2.1 Satu Hidden Layer

Percobaan satu hidden layer dilakukan dengan menggunakan 12 input,

algoritma backpropagation dan 1 luaran dengan kombinasi neuron 5, 10, 15,

20, 25, 30, 35, 40, 45, 50.

trainlm trainrp trainscg traincgb traincgf traincgp trainoss traingdx

logsig, neuron 5 77.5824 76.7766 76.8132 76.8132 76.8498 76.7033 76.8864 76.9597

76

76.4

76.8

77.2

77.6

78

Aku

rasi

Fungsi Training

Akurasi Fungsi Training


40

Gambar 4.3 Grafik Variasi Satu Hidden Layer

Kombinasi neuron pada satu hidden layer menghasilkan nilai tertinggi

pada neuron 5 menggunakan fungsi aktivasi logsig dan fungsi training trainlm

dengan akurasi sebesar 77.5824 %.

4.2.2 Dua Hidden Layer

Percobaan dengan menggunakan 23 input, algoritma Backpropagation,

dua hidden layer dan 1 luaran dengan kombinasi neuron 5, 10, 15, 20, 25, 30,

35, 40, 45, 50 serta menggunaka neuron 5 pada hidden layer pertama.

Gambar 4.4 Grafik Variasi Dua Hidden Layer

5 10 15 20 25 30 35 40 45 50

trainlm, logsig 77.582477.252776.813276.813276.739977.2161 76.63 77.362676.593477.0696

76

76.4

76.8

77.2

77.6

78

Aku

rasi

Neuron

Akurasi 1 Hidden Layer

5 10 15 20 25 30 35 40 45 50

trainlm, logsig 76.3 76.96 76.777 77.253 76.703 76.74 76.044 76.96 76.447 75.824

74.8

75.2

75.6

76

76.4

76.8

77.2

77.6

Aku

rasi

Neuron

Akurasi 2 Hidden Layer


41

Dari hasil kombinasi neuron pada dua hidden layer menghasilkan nilai

tertinggi pada neuron 20 dengan nilai akurasi 77.2527 %.

4.2.3 Arsitektur Optimal

Gambar 4.5 Arsitektur Optimal

Dari hasil percobaan klasifikasi dengan menggunakan kombinasi fungsi

aktivasi, fungsi training, hidden layer dan neuron didapatkan arsitektur optimal

dengan akurasi sebesar 77.5824 % menggunakan input sebanyak 12 atribut dan

satu hidden layer dengan neuron 5. Pada arsitektur optimal ini algoritma

backpropagation digunakan dengan fungsi aktivasi logsig dan fungsi training

trainlm.

Berikut hasi confusion matrix dari arsitektur optimal untuk 3-Fold Cross

Validation.

Tabel 4.4 Fold Pertama

Label/Luaran 0 1

0 572 34

1 183 121

𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 572+121

572+121+183+34𝑥 100% = 76.1538 %

Tabel 4.5 Fold Kedua

Label/Luaran 0 1

0 568 39

1 147 156


568+156+147+39𝑥 100% = 79.5604 %


42

Tabel 4.6 Fold Ketiga

Label/Luaran 0 1

0 552 55

1 154 149


552+149+154+55𝑥 100% = 77.033 %

𝐴𝑘𝑢𝑟𝑎𝑠𝑖 𝑟𝑎𝑡𝑎 − 𝑟𝑎𝑡𝑎 =76.1538+ 79.5604+77.033

3= 77.5824 %

Dari hasil pemaparan confusion matrix diatas dapat dilihat bahwa

percobaan dengan menggunakan model fold kedua memiliki nilai akurasi

tertinggi sebesar 79.5604 %, yang dimana nantinya model tersebut akan

digunakan untuk memprediksi data tunggal pada data transaksi

perbankan.

4.2 Uji Data Tunggal

Pada pengujian data tunggal data yang akan digunakan sebanyak 4 data, berikut

merupakan hasil uji data tunggal:

• Data 1

Gambar 4.6 Uji Data 1

Pada uji data 1, data berhasil diklasifikasikan dengan benar yaitu dengan

hasil Transaksi Fraud yang berarti data transaksi merupakan data fraud.


43

• Data 2



hasil Transaksi Non Fraud yang berarti data transaksi merupakan data

tidak fraud.

• Data 3



hasil Transaksi Fraud yang berarti data transaksi merupakan data fraud.


44

• Data 4



hasil Transaksi Non Fraud yang berarti data transaksi merupakan data

tidak fraud.


45

BAB V

KESIMPULAN

5.1 Kesimpulan

Dari hasil penelitian klasifikasi untuk mendeteksi fraud pada transaksi

perbankan dengan menggunakan algoritma backpropagation dapat

disimpulkan sebagai berikut:

1. Algoritma bacpropagation dapat diimplementasikan untuk melakukan

klasifikasi dalam mendeteksi fraud pada transaksi perbankan dengan cukup

baik.

2. Pada pengujian yang dilakukan dengan menggunakan 2730 data dan

menggunakan 3-fold cross validation menghasilkan akurasi sebesar

77.5824 % dengan arsitektur optimal pada satu hidden layer menggunakan

neuron 5, dan menggunakan fungsi aktivasi logsig serta fungsi training

trainlm.

5.2 Saran

Saran yang dapat diberikan untuk mengembangkan penelitian yang akan

datang adalah:

1. Program dapat menerima inputan data dalam bentuk format file selain xlsx

atau xls.

2. Penambahan variasi pada k-fold cross validation agar model yang

digunakan lebih banyak.

3. Program dapat melakukan kombinasi yang lebih bervariasi lagi, seperti

menambahkan kombinasi fungsi aktivasi atau fungsi training.


46

Daftar Pustaka

Aritonang, R. (2006). Klasifikasi Imbalanced Data Menggunakan Algoritma

Klasifikasi Voting Feature Intervals. Bogor: Institut Pertanian Bogor.

Astuti, F.H. (2013). Data Mining. Yogyakarta: Andi

E-journal. (2015). Fraud Triangle.

https://www.academia.edu/11731072/Fraud_detection_prevention_and_de

terrence diakses pada tanggal 10 juni 2019.

E-journal (2012). Kajian: Fraud (Kecurangan) Laporan Keuangan.

https://www.google.com/url?sa=t&rct=j&q=&esrc=s&source=web&cd=2

&ved=2ahUKEwiBx5zEkbzjAhWl7HMBHUYHCEUQFjABegQIAxAC

&url=http%3A%2F%2Fdownload.garuda.ristekdikti.go.id%2Farticle.php

%3Farticle%3D418501%26val%3D1233%26title%3DKAJIAN%3A%252

0FRAUD%2520(KECURANGAN)%2520LAPORAN%2520KEUANGA

N&usg=AOvVaw3HO196s33UapewMabJPrfV diakses pada tanggal 10

juni 2019.

E-journal. Pengertian Audit.


&cad=rja&uact=8&ved=2ahUKEwiR2sHulLzjAhUuIbcAHdEQAiQQFjA

IegQIAhAC&url=http%3A%2F%2Frepository.usu.ac.id%2Fbitstream%2

Fhandle%2F123456789%2F40089%2FChapter%2520II.pdf%3Fsequence

%3D4%26isAllowed%3Dy&usg=AOvVaw3mEYVlse4H-fWjfW2LhDUv

diakses pada tanggal 15 mei 2019.

E-journal (2016). Penanganan Ketidakseimbangan kelas pada data set kecil.


&cad=rja&uact=8&ved=2ahUKEwirxdeEk7zjAhU48HMBHVzoBToQFj

AHegQIBxAC&url=http%3A%2F%2Fetd.repository.ugm.ac.id%2Fdownl

oadfile%2F97867%2Fpotongan%2FS2-2016-391116-

introduction.pdf&usg=AOvVaw3nv9lDfKrRH7G5uf3rKBRv diakses pada

tanggal 23 april 2019.

Hagan, M. T., & Demuth, H. B. (2014). Neural Network Design 2nd Edition.

Oklahoma: Martin Hagan.


https://www.academia.edu/11731072/Fraud_detection_prevention_and_deterrence

https://www.academia.edu/11731072/Fraud_detection_prevention_and_deterrence

https://www.google.com/url?sa=t&rct=j&q=&esrc=s&source=web&cd=2&ved=2ahUKEwiBx5zEkbzjAhWl7HMBHUYHCEUQFjABegQIAxAC&url=http%3A%2F%2Fdownload.garuda.ristekdikti.go.id%2Farticle.php%3Farticle%3D418501%26val%3D1233%26title%3DKAJIAN%3A%2520FRAUD%2520(KECURANGAN)%2520LAPORAN%2520KEUANGAN&usg=AOvVaw3HO196s33UapewMabJPrfV






https://www.google.com/url?sa=t&rct=j&q=&esrc=s&source=web&cd=9&cad=rja&uact=8&ved=2ahUKEwiR2sHulLzjAhUuIbcAHdEQAiQQFjAIegQIAhAC&url=http%3A%2F%2Frepository.usu.ac.id%2Fbitstream%2Fhandle%2F123456789%2F40089%2FChapter%2520II.pdf%3Fsequence%3D4%26isAllowed%3Dy&usg=AOvVaw3mEYVlse4H-fWjfW2LhDUv





https://www.google.com/url?sa=t&rct=j&q=&esrc=s&source=web&cd=8&cad=rja&uact=8&ved=2ahUKEwirxdeEk7zjAhU48HMBHVzoBToQFjAHegQIBxAC&url=http%3A%2F%2Fetd.repository.ugm.ac.id%2Fdownloadfile%2F97867%2Fpotongan%2FS2-2016-391116-introduction.pdf&usg=AOvVaw3nv9lDfKrRH7G5uf3rKBRv





47

Jiawei, H. (2012). Data Mining Concepts and Tecniques. Waltham: Elsevier Inc.

Karyono (2014). Forensic Fraud. Yogyakarta : CV Andi

Luthfi, E.T. (2009). Algoritma Data Mining. Yogyakarta: C.V ANDI OFFSET.

Nada, A.Y. (2017). Prediksi Kesehatan Koperasi Dengan Jaringan Syaraf Tiruan

Metode Backpropagation. Yogyakarta: Universitas Sanata Dharma.

Purwanta, I. P. (2018). Klasifikasi Buku Berdasarkan Gambar Sampul Buku

Menggunakan Jaringan Syaraf Tiruan Backpropagation. Yogyakarta:

Universitas Sanata Dharma.

Siang J.J. (2009). Jaringan Syaraf Tiruan & Pemrogramannya Menggunakan

MATLAB. Yogyakarta: Andi Offset

Soejono, Karni (2000). Auditing Audit Khusus & Audit Forensik Dalam Praktek.

Lembaga Penerbit Fakultas Ekonomi Universitas Indonesia.

Tamara, L. A. (2018). Klasifikasi Data Nasabah Yang Berpotensi Membuka

Simpanan Deposito Menggunakan Algoritma Rough Set. Yogyakarta:

Universitas Sanata Dharma.

Turban, E. (2005). Decision Support System and Intelligent Systems Edisi Bahasa

Indonesia Jilid 1. Andi: Yogyakarta.


Documents

FRAUD DETECTION PADA TRANSAKSI PERBANKAN ...Jaringan Syaraf Tiruan Metode Backpropagation. Pada penelitian tersebut peneliti menggunakan fungsi transfer layer tan-sigmoid dan fungsi