Klasifikasi kecurangan transaksi kartu kredit menggunakan metode Support Vector Machine berbasis Synthetic Minority Over-Sampling Technique dan Principal Component Analysis

ABSTRAK:

Kecurangan transaksi kartu kredit merupakan tindakan ilegal yang menimbulkan kerugian finansial dengan memanfaatkan kelemahan pada sistem pembayaran digital. Seiring meningkatnya penggunaan transaksi elektronik, jumlah kasus kecurangan juga terus bertambah, sementara sistem deteksi konvensional masih menghadapi keterbatasan dalam membedakan transaksi normal dan transaksi fraud secara efektif. Oleh karena itu, penelitian ini mengimplementasikan algoritma Support vector machine (SVM) yang dikombinasikan dengan Synthetic Minority Over-sampling Technique (SMOTE) dan Principal Component Analysis (PCA) untuk meningkatkan performa klasifikasi kecurangan transaksi kartu kredit. Dataset yang digunakan berasal dari Kaggle dan terdiri atas 5.000 data transaksi dengan proporsi kelas fraud sebesar 1,7%, sehingga memiliki karakteristik data yang tidak seimbang. Tahapan pra-pemrosesan meliputi seleksi fitur, label encoding, standard scaling, penyeimbangan data menggunakan SMOTE, serta reduksi dimensi menggunakan PCA. Evaluasi model dilakukan menggunakan confusion matrix dengan metrik accuracy, precision, recall, dan F1-score pada empat skenario pembagian data latih dan data uji, yaitu 60:40, 70:30, 80:20, dan 90:10. Hasil pengujian menunjukkan bahwa integrasi SMOTE dan PCA pada algoritma SVM mampu meningkatkan kemampuan deteksi transaksi fraud sekaligus mempertahankan efisiensi komputasi. Performa terbaik diperoleh pada rasio pembagian data 70:30 dengan nilai recall sebesar 52%, F1-score sebesar 41%, dan akurasi yang stabil pada 97%. Temuan ini menunjukkan bahwa metode yang diusulkan efektif dalam mengatasi permasalahan klasifikasi data tidak seimbang pada kasus deteksi kecurangan transaksi kartu kredit.

ABSTRACT:

Credit card fraud has become a major challenge in digital payment systems due to its potential to cause significant financial losses. The increasing volume of electronic transactions has been accompanied by a rise in fraudulent activities, while conventional detection methods often struggle to accurately distinguish between legitimate and fraudulent transactions, particularly in highly imbalanced datasets. To address this issue, this study implements a Support vector machine (SVM) classifier enhanced with Synthetic Minority Over-sampling Technique (SMOTE) and Principal Component Analysis (PCA) to improve fraud detection performance. The experiments were conducted using a Kaggle credit card transaction dataset consisting of 5,000 records, in which fraudulent transactions accounted for only 1.7% of the data. The preprocessing stage included feature selection, label encoding, standard scaling, class balancing through SMOTE, and dimensionality reduction using PCA. Model performance was evaluated using a confusion matrix based on accuracy, precision, recall, and F1-score metrics under four train-test split ratios: 60:40, 70:30, 80:20, and 90:10. The experimental results demonstrate that the integration of SMOTE and PCA with SVM enhances the detection of minority-class transactions while maintaining computational efficiency. The best performance was achieved with a 70:30 train-test split, yielding a recall of 52%, an F1-score of 41%, and a stable accuracy of 97%. These findings indicate that the proposed approach is effective in addressing class imbalance issues in credit card fraud classification.

.
مستخلص البحث:

الاحتيال في معاملات بطاقات الائتمان هو نشاط غير قانوني يضر ماليا من خلال استغلال الثغرات في نظام الدفع الرقمي. الزيادة السريعة في المعاملات الإلكترونية تتناسب طرديا مع الزيادة في حالات الاحتيال، التي غالبا ما تتفاقم بسبب محدودية الأنظمة التقليدية في التمييز بدقة بين المعاملات العادية والمريبة. لتجاوز هذه المشكلات، تقترح هذه الدراسة تطبيق طريقة آلة متجه الدعم (SVM) المحسنة باستخدام تقنية أخذ العينات الزائدة للأقليات الاصطناعية (SMOTE) وتحليل المكونات الرئيسية (PCA) لتحسين أداء تصنيف الاحتيال. تستخدم هذه الدراسة مجموعة بيانات معاملات بطاقات الائتمان من كاجل تضم 5,000 بيانات مع نسبة غير متوازنة جدا من فئات الاحتيال (عدم التوازن)، والتي تبلغ 1.7٪. تشمل مراحل معالجة البيانات المسبق اختيار الميزات، وترميز التسميات، وتوسيع المعيار، والتعامل مع اختلال توازن البيانات باستخدام SMOTE، وتقليل الأبعاد باستخدام PCA. تم تقييم اختبار النماذج من خلال مصفوفة الالتباس باستخدام مقاييس الدقة والدقة والاسترجاع ودرجة F1 بناء على أربعة سيناريوهات لمشاركة بيانات التدريب والاختبار، وهي 60:40، 70:30، 80:20، و90:10. تظهر النتائج أن الجمع بين SMOTE وPCA في خوارزمية SVM قادر على تحسين قدرة اكتشاف فئات الأقليات بشكل كبير (الاحتيال) مع الحفاظ على الكفاءة الحاسوبية. تم تحقيق أفضل أداء في سيناريو مشاركة البيانات بنسبة 70:30، حيث تمكن النموذج من إنتاج قيمة استرجاع بنسبة 52٪ ودرجة F1 تبلغ 41٪، مع معدل دقة ظل مستقرا عند 97٪. يثبت هذا أن النهج المقترح فعال في معالجة مشكلة تصنيف بيانات غير متوازنة في حالات كشف الاحتيال في بطاقات الائتمان