Penerapan Algoritma Naïve Bayes untuk Deteksi Penipuan Transaksi E-Commerce

Abstract

Pertumbuhan e-commerce di Indonesia telah menunjukkan peningkatan signifikan, dengan semakin banyak konsumen yang beralih ke belanja online. Berdasarkan data dari Asosiasi Penyelenggara Jasa Internet Indonesia dan Kementerian Komunikasi dan Informasi (Kemenkominfo), jumlah pengguna internet meningkat drastis, begitu juga laporan penipuan dalam transaksi online. Penipuan menjadi ancaman serius bagi keberlangsungan bisnis di sektor e-commerce, sehingga diperlukan sistem deteksi yang dapat mengidentifikasi transaksi mencurigakan secara dini. Algoritma Naïve Bayes, berdasarkan Teorema Bayes, adalah salah satu metode yang dapat digunakan untuk mendeteksi penipuan dengan mengklasifikasikan transaksi sebagai penipuan atau tidak, berdasarkan probabilitas yang dihitung dari berbagai parameter seperti jumlah produk, waktu transaksi, jenis perangkat, metode pembayaran dan total harga. Data yang digunakan dalam penelitian ini adalah dataset “Fraudulent E-Commerce Transaction” dari Kaggle, yang terdiri dari 23.634 data dengan lima belas variabel independen dan satu variabel dependen. Tahap preprocessing data melibatkan pembersihan variabel yang tidak relevan, transformasi beberapa variabel numerik menjadi nominal, penghapusan data duplikat setelah proses transformasi, dan pembagian data menjadi data training dan testing. Model yang dibangun menggunakan algoritma Naïve Bayes menganalisis berbagai parameter transaksi untuk menghitung probabilitas awal (prior probability) dan probabilitas kondisi (likelihood) dari setiap parameter. Kombinasi dari probabilitas-probabilitas ini menghasilkan probabilitas posterior yang menunjukkan kemungkinan suatu transaksi adalah penipuan. Berdasarkan hasil penelitian yang telah dilakukan, model yang dibangun menggunakan algoritma Naïve Bayes mencapai akurasi sebesar 85%. Model menunjukkan presisi sebesar 68%, recall sebesar 10%, dan F1-score sebesar 17%, yang menunjukkan adanya ketidakseimbangan antara presisi dan recall. Meskipun hasil akurasi cukup baik, model menunjukkan kinerja yang lebih baik dalam mendeteksi transaksi not fraud dibandingkan transaksi fraud, terlihat dari jumlah False Negative yang signifikan. Selain itu, nilai AUC sebesar 0,79 menunjukkan bahwa model memiliki kemampuan yang cukup baik dalam membedakan transaksi fraud dan not fraud, meskipun terdapat ketidakseimbangan data.