Oleh = Mochammad Haldi Widianto

Jaringan Syaraf Tiruan, biasanya disingkat JST. JST bekerja seperti otak manusia sehingga telah menggunakan JST dibandingkan algoritme lain. JST terinspirasi oleh jaringan saraf biologis yang membentuk otak manusia. Tujuan utama penggunaan JST adalah agar dapat bekerja pada kumpulan data yang besar dan juga memberikan hasil yang lebih baik dan akurat daripada metode atau algoritme lainnya. Teknik / metode JST yang mengandalkan Artificial Intelligence untuk bekerja secara otomatis dan memberikan hasil yang lebih baik dengan sendirinya serta telah menggunakan backpropagation dengan gradient descent. Dalam model ini untuk tujuan evaluasi, parameter seperti akurasi, perolehan kembali, presisi, dan matriks kebingungan digunakan.

Di seluruh dunia, hampir setiap bisnis dilakukan secara digital dan menggunakan uang plastik yaitu kartu kredit untuk tujuan ini. Dalam situasi saat ini, hanya informasi kartu yang diperlukan untuk melakukan penipuan. Meskipun detail kartu dimasukkan secara online, tidak akan tahu bagaimana orang tersebut akan menggunakan detail kartu secara online atau apakah kartu mungkin telah hilang, dicuri oleh orang yang tidak berwenang. Di India, detail kartu dari sekitar 70 juta orang dijual di web gelap. Jadi, mudah sekali melakukan penipuan. Itulah mengapa diambil inisiatif untuk membuat proyek ini untuk mencegah penipuan kartu kredit. Dalam hal ini, proyek ini akan memberikan hasil waktu nyata.

Pada tahun 2011, Y. Sahin dan E.Duman dalam “Detecting Credit Card Fraud by ANN and Logistic Regression” telah membangun 13 alternatif model berbasis JST dan LR. Model ANN memberikan akurasi lebih dari Regresi Logistik ketika performanya dibandingkan dengan set data pengujian. Akurasi tertinggi didapatkan pada dataset train sebesar 95,40% dan pada dataset uji sebesar 94,62%.

Pada tahun 2016, FahimehGhobadi dan Mohsen Rohani dalam “Cost – Sensitive Modeling Credit Card Fraud Using Neural Network Strategy” mengusulkan metode Cost-Sensitive untuk mengatasi masalah ketidakseimbangan data kemudian dilakukan neural network pada data tersebut. Menggunakan NN dengan topologi dengan 17 neuron di lapisan masukan, dua lapisan tersembunyi dengan 60 dan 50 neuron di lapisan pertama dan kedua, dan terakhir dengan 1 neuron di lapisan keluaran.

Pada tahun 2017, AjiMubalaike dan EsrefAdah mengusulkan “Multilayer Perceptron Neural Network Technique for Fraud Detection”, telah menghasilkan model deteksi intrusi dan klasifikasi menggunakan algoritma perceptron multilayer dibandingkan dengan algoritma Naïve Bayes dan Decision Tree. Akurasi pengujian lebih tinggi dengan menggunakan ANN-MLP Daripada menggunakan Naive Bayes atau Decision Tree, akurasi maksimum yang didapat adalah 99.47% yang ada pada data uji.

Tahun 2019, E.Saraswathi, PrateekKulkarni, Momin-NawafKhalil, Shrishir Chandra Nigam dalam “Credit Card

Prediksi dan Deteksi Fraud dengan Jaringan Syaraf Tiruan dan Self-Organizing Maps “mengusulkan agar penggunaan SOM yang akan memplot serta merepresentasikan berbagai status transaksi. Mekanisme clustering SOM digunakan untuk mendeteksi kegiatan pemerasan kartu kredit. model dievaluasi menggunakan matriks konfusi. Standar confusions matrix ditunjukkan di bawah ini.

Gambar 1. Standar Confusions matrix

Matriks konfusi berisi keluaran yang disediakan oleh model. Berbagai parameter evaluasi model seperti

akurasi, presisi, dan perolehan dapat diturunkan darinya. Kelas positif dan negatif yang akan diturunkan dari matriks confussions ini menghasilkan empat hasil:

True-positif – Jumlah Prediksi Positif Benar

False-Positif -Jumlah Prediksi Positif Salah

True-Negatif – Jumlah Prediksi Negatif Kanan

False-negative –Jumlah Prediksi Negatif Salah

Langkah-langkah dasar yang diturunkan dari matriks kebingungan: –

  1. Accuracy = (True Positive + True Negative) / (Positive +Negative)
  2. Sensitivity (Recall or True Positive Rate) = (TruePositive) / (True Positive + False Negative)

3.Precision (Positive predicted value) = (True Positive) /(True Positive + False Positive)

Matrik yang akan difokuskan pada model proyek ini adalah precision, recall, dan f1-score. Karena untuk ketidakseimbangan masalah klasifikasi seperti dalam model deteksi penipuan kartu kredit kami di mana jumlah satu kelas non-penipuan lebih besar dari kelas kelas penipuan. Kemudian f1-score digunakan bersama dengan akurasi untuk menentukan ketelitian model

Presisi didefinisikan sebagai jumlah positif benar (data transaksi yang benar-benar curang, dalam hal ini) positif secara keseluruhan, dan akan semakin tinggi ketika jumlah positif palsu rendah. Perolehan didefinisikan sebagai jumlah positif benar di atas positif benar ditambah negatif palsu dan akan lebih tinggi ketika jumlah negatif palsu rendah. Presisi dan perolehan dijelaskan dengan jelas pada gambar di bawah ini

Gambar 2. Precision and Recall

Gambar 3. Confusion Mat rix of Test Dataset

Objek Penelitian DEA

Dalam studi ini, pertama-tama peneliti mengumpulkan data Reksa Dana Terbuka Dalam Negeri dengan menggunakan metode DEA, dengan mengambil besaran dana, biaya pengelolaan tahunan dan biaya kustodian dana sebagai input dan tingkat pengembalian sejak ditetapkan sebagai output. Dalam hal perangkat lunak analisis, peneliti menggunakan paket antarmuka jendela MaxDEA untuk analisis, memasukkan data input dan output ke dalam file Excel, melakukan analisis akhir menggunakan MaxDEA, dan hasil analisis akhir ditunjukkan pada Gambar. 3

Hasil

Gambar 4. Model Accuracy of Train v/s Validate

.

Gambar 5 Model Loss of Train v/s Validate

Akurasi model dianalisis dan kehilangan model dari rangkaian train dan validasi. Saat epoch meningkat, akurasi model juga meningkat dan telah menghentikan jumlah epoch saat akurasi model terlihat konstan. Akurasi Model Train kami di epoch 20 adalah 0,9994 dan Akurasi Validasi Model kami adalah 0,9993. Data yang divalidasi digunakan untuk melihat seberapa baik model kami akan melakukan transaksi baru.

Peneliti telah menganalisis kerugian model, yang dihitung dengan menggunakan backpropagation. Kerugian Pelatihan Model peneliti adalah 0,0028 dan Kerugian Validasi Model kami adalah 0,0042. Model loss akan menemukan perbedaan antara hasil yang diprediksi dengan hasil yang sebenarnya. Backpropagation menggunakan model loss untuk memperbarui bobot lapisan masukan kami.

Dalam model ini, dengan menggunakan JST (Artificial Neural Network) dan teknik BackPropagation, yang memberikan akurasi 99.96% yaitu hampir sama dengan 100% yang lebih baik dari sistem sebelumnya pada keduanya poin data pelatihan dan pengujian yaitu transaksi nilai nyata. BackPropagation digunakan dalam penelitian ini yang masih dalam penelitian di bidang Artificial Intelligence. Model ini dapat mendeteksi transaksi secara real-time. Sehingga bank dapat mendeteksi penipuan dan menghentikan transaksi yang sedang berlangsung jika transaksi tersebut adalah penipuan. Kemudian pelanggan tidak perlu menunggu untuk mengetahui apakah seseorang telah menyalahgunakan kartu atau tidak..

Referensi :

  1. Saurabh C. Dubey, Ketan S. Mundhe, Aditya A. Kadam,“ Credit Card Fraud Detection using Artificial Neural Network and BackPropagation,” Proceedings of the International Conference on Intelligent Computing and Control Systems (ICICCS 2020) IEEE Xplore Part Number:CFP20K74-ART; ISBN: 978-1-7281-4876-2