Identifikasi Pola Fraud dalam Transaksi Online
Abstract
Kuantitas fraud (penipuan) pada transaksi online meningkat dari waktu ke waktu. Beberapa penelitian sebelumnya telah mengusulkan metode deteksi fraud; namun metode tersebut tidak dapat mendeteksi fraud dalam transaksi online dengan baik. Hal itu disebabkan oleh indikator fraud tidak dapat mengidentifikasi dengan tepat pelanggaran Standard Operating Sistem (SOP) pada transaksi online. Penelitian ini mengusulkan atribut/indikator fraud dan pola fraud untuk menganalisis proses bisnis pada transaksi online. Penentuan fraud atau penipuan dilakukan dengan, pertama menganalisis proses bisnis yang melanggar SOP. Selanjutnya, proses bisnis yang melanggar SOP diidentifikasi atribut/indikator fraud. Kemudian, dilakukan pembobotan atribut/indikator berdasarkan jumlah indikator/atribut yang teridentifikasi. Terakhir, melakukan uji similarity untuk menentukan pelanggaran SOP tersebut merupakan fraud atau bukan. Dari eksperimen yang dilakukan menunjukkan bahwa metode yang diusulkan ini mampu mendeteksi fraud pada transaksi online dengan akurasi, sensitivitas dan spesifisitas masing-masing 0.97, 1 dan 0.97.References
I. Amara, A. B. Amar dan A. Jarboui. Detection of Fraud in Financial Statements: French Companies as a Case Study. International Journal of Academic Research in Accounting, Finance and Management Sciences. 2013: 3(3), 44-55.
H. Jung-Woo, P. Hyuna dan K. Jeonghee. Large-Scale Item Categorization in e-Commerce Using Multiple Recurrent Neural Network. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. San Francisco. 2016;107-115.
C. Khyati dan M. Bhawna, Credit Card Fraud: Bang in E-Commerce. International Journal Of Computational Engineering Research . 2012: 3(2), 935-941.
C. Evandro , B. Gabriel dan P. Adriano C. M. Fraud Analysis and Prevention in e-Commerce Transactions. IEEE. 2014;42-49.
M. Jans, M. J. van der Werf, N. Lybaert dan K. Vanhoof. A Business Process Mining Application for Internal Transaction Fraud Mitigation. Expert Systems with Applications. 2011. 38(10). 13351-13359.
J. J. Stoop. Process Mining and Fraud Detection. Thesis. Netherlands:Twente University; 2012.
R. Sarno, D. R. Dewandono, T. Ahmad, M. F. Naufal dan F. Sinaga. Hybrid Association Rule Learning and Process Mining for Fraud Detection. IAENG International Journal of Computer Science. 2015:42(2).59-72.
S. Huda, R. Sarno dan T. Ahmad. Fuzzy MADM approach for Rating of Process-based Fraud. Journal ICT. Research Application. 2015: 9(2). 111-128.
S. Huda, R. Sarno dan T. Ahmad. Increasing accuracy of Process-based Fraud Using Behavior Models, International Journal of Software Engineering and Its Applications.2016. 10(5). 175-188.
W. M. P. van der Aalst. Discovery, Conformance dan Enhancement of Business Processes. Springer. 2010: 7-8.
R. Sarno, P. L. I. Sari. H. Ginardi, D. Sunaryono, dan I. Mukhlash. Decision Mining For Multi Choice Workflow Patterns, International conference on Computer, Control, and Its Application. 2013.19-21.
R. Sarno, A.B. Sanjoyo, I. Mukhlash dan M.H. Astuti. Petri Net Model of ERP Business Process Variations for Small and Medium Enterprises. Journal of Theoretical and Applied Information Technology. 2013. 54(1). 31-38.
W. M. P. van der Aalst, H.A. Reijers dan M. Song. Discovering Social Networks from Event Logs. Computer Supported Cooperative Work. 2005. 14. 549-593.
