Please use this identifier to cite or link to this item: https://repositori.uma.ac.id/handle/123456789/27926
Title: Identifikasi Kecurangan Transaksi Keuangan Dengan Menggunakan Knn Dan Reduksi Dimensi Data Dengan Principal Component Analysis (PCA)
Other Titles: Identification of financial transaction fraud using KNN and data dimension reduction with principal component analysis (PCA)
Authors: Sihite, Natalia
metadata.dc.contributor.advisor: Lubis, Andre Hasudungan
Keywords: Kecurangan Transaksi Keuangan;K-Nearest Neighbor;PCA Idetifikasi Kecurangan;Machine Learning
Issue Date: 14-Mar-2025
Publisher: Universitas Medan Area
Series/Report no.: NPM;218160012
Abstract: Transaksi keuangan merupakan suatu proses yang sangat berisiko terjadinya kecurangan dalam bisnis, yang dapat merugikan perusahaan dan mengganggu stabilitas keuangan. Oleh karena itu, dibutuhkan metode yang efektif untuk mendeteksi kecurangan dalam transaksi keuangan secara sistematis. Penelitian ini bertujuan untuk mengembangkan model klasifikasi yang dapat mengklasifikasi transaksi keuangan menggunakan algoritma K-Nearest Neighbor (KNN), serta menerapkan Principal Component Analysis (PCA) sebagai metode reduksi dimensi guna meningkatkan efisiensi dan akurasi model klasifikasi. Dataset yang digunakan dalam penelitian ini berasal dari Kaggle, yang merupakan data sekunder dengan jumlah fitur sebanyak 31, dengan label klasifikasi untuk transaksi curang dan tidak curang. Evaluasi model dilakukan menggunakan metode Confusion Matrix untuk menilai performa pengklasifikasian. Hasil penelitian menunjukkan bahwa KNN dengan nilai K=2 dan K=5 memberikan akurasi terbaik sebesar 98,29%. Selain itu, setelah melakukan reduksi dimensi menggunakan PCA dengan 15 komponen utama, akurasi meningkat menjadi 98,72%. Temuan ini membuktikan bahwa PCA tidak hanya mampu mengurangi jumlah dimensi pada data, tetapi juga meningkatkan kinerja klasifikasi dari algoritma KNN secara signifikan. Penelitian ini memberikan kontribusi dalam mengoptimalkan identifikasi kejadian transaksi keuangan yang mencurigakan dengan kombinasi metode KNN dan PCA, yang dapat diterapkan dalam sistem keamanan keuangan untuk identifikasi otomatis. Untuk penelitian selanjutnya, disarankan menggunakan data primer dari lembaga keuangan serta membandingkan metode ini dengan algoritma lain seperti Random Forest, Support Vector Machine (SVM), atau teknik Deep Learning untuk lebih meningkatkan akurasi identifikasi. Financial transactions are a process that carries a high risk of fraud in business, which can harm the company and disrupt financial stability. Therefore, an effective method is needed to systematically detect fraud in financial transactions. This study aims to develop a classification model that can classify financial transactions using the K-Nearest Neighbor (KNN) algorithm, and apply Principal Component Analysis (PCA) as a dimensionality reduction method to improve the efficiency and accuracy of the classification model. The dataset used in this study comes from Kaggle, which is secondary data with 31 features, with classification labels for fraudulent and non-fraudulent transactions. Model evaluation was carried out using the Confusion Matrix method to assess classification performance. The results showed that KNN with K=2 and K=5 values ​​provided the best accuracy of 98.29%. Furthermore, after performing dimensionality reduction using PCA with 15 principal components, the accuracy increased to 98.72%. These findings prove that PCA is not only able to reduce the number of dimensions in the data, but also significantly improve the classification performance of the KNN algorithm. This research contributes to optimizing the identification of suspicious financial transaction events using a combination of KNN and PCA methods, which can be applied in financial security systems for automated identification. For further research, it is recommended to use primary data from financial institutions and compare this method with other algorithms such as Random Forest, Support Vector Machine (SVM), or Deep Learning techniques to further improve identification accuracy.
Description: 66 Halaman
URI: https://repositori.uma.ac.id/handle/123456789/27926
Appears in Collections:SP - Informatic Engineering

Files in This Item:
File Description SizeFormat 
218160012 - Natalia Sihite - Chapter IV.pdf
  Restricted Access
Chapter IV495.5 kBAdobe PDFView/Open Request a copy
218160012 - Natalia Sihite - Fulltext.pdfCover, Abstract, Chapter I, II, III, V, Bibliography1.63 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.