Penerapan Deep Learning dalam Deteksi Penipuan Transaksi Keuangan Secara Elektronik

Faried Zamachsari,Niken Puspitasari

doi:10.29207/resti.v5i2.2952

Abstract

The rapid development of information technology coupled with an increase in public activity in electronic financial transactions has provided convenience but has been accompanied by the occurrence of fraudulent financial transactions. The purpose of this research is how to find the best model to be implemented in the banking payment system in detecting fraudulent electronic financial transactions so as to prevent losses for customers and banks. Fraud detection uses machine learning with ensemble and deep learning with SMOTE. Financial transaction data is taken from bank payment simulations built with the concept of Multi Agent-Based Simulation (MABS) by banks in Spain. To build the best model, not only pay attention to the accuracy value, but the value of precision is a value that needs attention. A precision score is very important for fraud prevention. Fraud detection gets the best results without the SMOTE process by using deep learning with an accuracy score of 99.602% and precision score of 90.574%. By adding SMOTE, it will increase the accuracy score and precision score with the best model produced in the Extra Trees Classification with an accuracy score of 99.835% and precision score of 99.786%.

Highlights

The rapid development of information technology coupled with an increase in public activity in electronic financial transactions has provided convenience but has been accompanied by the occurrence of fraudulent financial transactions
Fraud detection gets the best results without the SMOTE process by using deep learning with an accuracy score of 99.602% and precision score of 90.574%
By adding SMOTE, it will increase the accuracy score and precision score with the best model produced in the Extra Trees Classification with an accuracy score of 99.835% and precision score of 99.786%

Summary

Pendahuluan atau menyebabkan kerugian dengan trik implisit maupun

Penipuan pembayaran adalah penipuan yang disengaja dengan tujuan untuk mendapatkan keuntungan finansial eksplisit yang dilakukan oleh banyak pihak untuk mendapatkan keuntungan finansial yang signifikan [1]. Data transaksi keuangan secara elektronik yang telah Random Forest Classification adalah pengklasifikasi diambil untuk kemudian dilakukan analisa ensemble yang terdiri sejumlah besar pohon keputusan, menggunakan machine learning sehingga karakteristik dan hasil klasifikasi akhir ditentukan oleh suara dari transaksi penipuan yang telah terjadi dapat mayoritas dari semua pohon keputusan. Setiap hipotesis arsitektur neural networks sering disebut dengan istilah lemah atau anggota ensemble memiliki pseudo loss node, (2) hidden layer merupakan neuron yang menjadi sedikit lebih baik dari 0,5. Penipuan ini tersembunyi dalam informasi yang sangat kompetitif dibandingkan dengan algoritma standar besar dan analisa ahli terkadang gagal untuk untuk Akurasi yang didapat adalah 99,272%. Metode deteksi penipuan berbasis NN yang keuangan secara elektronik sehingga dapat mencegah diusulkan bekerja dengan akurasi 99,87% sedangkan terjadinya penipuan yang akan menimbulkan kerugian metode yang ada AE, IF, LOF dan K-Means masing- kepada nasabah dan perbankan. Pada arsitektur ANN pada deteksi kecurangan medis, dibandingkan untuk mendapatkan nilai terbaik dalam penggunaan aktivasi SeLU cenderung menghasilkan melakukan deteksi penipuan pada transaksi keuangan secara elektronik

Data Understanding

Model Design

Hasil dan Pembahasan loss masih terus berkurang model sudah menunjukkan

Pemodelan Deep Learning

Findings

Kesimpulan