Dampak Pengambilan Sampel Data untuk Optimalisasi Data tidak seimbang pada Klasifikasi Penipuan Transaksi E-Commerce

Abstract

Tujuan dari penelitian ini adalah untuk mengatasi masalah pengklasifikasian dan prediksi data yang tidak seimbang terkait dengan kondisi transaksi E-Commerce. Menjamurnya transaksi e-commerce menimbulkan potensi permasalahan: penipuan dalam pembelian e-commerce. Kasus penipuan e-niaga terus meningkat setiap tahun sejak tahun 1993. Menurut survei tahun 2013, untuk setiap $100 transaksi e-niaga, terdapat kerugian sebesar 5,65 sen akibat penipuan. Mendeteksi penipuan merupakan pendekatan yang efektif untuk meminimalkan terjadinya aktivitas penipuan dalam transaksi e-commerce. Pembelajaran menjadi metode yang semakin dapat diandalkan untuk memprediksi keadaan. Tidak adanya keseimbangan antara data yang curang dan tidak curang mengakibatkan klasifikasi menjadi bias. Algoritma SMOTE diperlukan untuk mencapai keseimbangan data. Selanjutnya peristiwa transaksi akan diklasifikasikan menggunakan algoritma Support Vector Machine, K-Nearest Neighbor, Naive Bayes, dan C45, dengan mempertimbangkan hasil penyeimbangan data. Di antara algoritma SVM, KNN, dan C45, metode Naive Bayes menunjukkan nilai akurasi tertinggi. Oleh karena itu, disarankan untuk menggunakan teknik ini untuk tujuan mengidentifikasi kondisi e-commerce