Analisis Klustering Menggunakan Algoritma DBSCAN untuk Deteksi Anomali dalam Data Transaksi Keuangan

Abstract

Deteksi anomali dalam data transaksi keuangan menjadi aspek penting dikarenakan semakin banyaknya pengguna e-money yang mengakibatkan kemungkinan terjadinya aktivitas yang mencurigakan, seperti fraud, pencucian uang atau penyimpangan lainnya. Algoritma Density-Based Spatial Clustering of Applications with Noise (DBSCAN) digunakan dalam penelitian ini untuk melakukan klasterisasi guna mendeteksi transaksi yang bersifat anomali berdasarkan tiga variabel utama, yaitu jumlah transaksi, frekuensi transaksi, dan saldo akhir. Penentuan parameter optimal DBSCAN dilakukan dengan mengevaluasi berbagai kombinasi nilai epsilon (ε) dan jumlah minimum titik dalam satu cluster (minPts) berdasarkan nilai Davies-Bouldin Index (DBI) terbaik. Hasil analisis menunjukkan bahwa parameter optimal adalah ε sebesar 0.2727 dan minPts sebesar 6, dengan nilai evaluasi DBI sebesar 1.1753, dengan total keseluruhan data sebesar 2.512 data. algoritma DBSCAN berhasil membentuk 6 cluster yang dapat digunakan untuk mendeteksi pola transaksi anomali. Dengan pendekatan ini, deteksi anomali dalam transaksi keuangan dapat dilakukan secara lebih akurat, sehingga dapat membantu dalam pengawasan transaksi keuangan. Anomaly detection in financial transaction data is an important aspect due to the increasing number of e-money users which results in the possibility of suspicious activities, such as fraud, money laundering or other irregularities. Density-Based Spatial Clustering of Applications with Noise (DBSCAN) algorithm is used in this study to perform clustering to detect anomalous transactions based on three main variables, namely the number of transactions, transaction frequency, and final balance. Determination of the optimal DBSCAN parameters is done by evaluating various combinations of epsilon (ε) values and the minimum number of points in a cluster (minPts) based on the best Davies-Bouldin Index (DBI) value. The analysis results show that the optimal parameters are ε of 0.2727 and minPts of 6, with a DBI evaluation value of 1.1753, with a total of 2,512 data. DBSCAN algorithm successfully formed 6 clusters that can be used to detect anomalous transaction patterns. With this approach, anomaly detection in financial transactions can be done more accurately, so that it can help in monitoring financial transactions.