Anomaly Analysis of Debit Payment Transactions in Switching Companies Using Naive Bayes, K-Nearest Neighbors, and Decision Tree Methods in Orange Data Mining
Keywords:
Transaction Anomaly, Fraud Detection, Debit Payment, Switching System, Data MiningAbstract
In the digital era, the rapid growth of electronic payment transactions using debit cards has been accompanied by an increasing risk of anomalies and fraudulent activities. Identifying suspicious transactions has become crucial to ensure system security and maintain user trust. The high volume of transactions processed through switching systems in Indonesia poses significant challenges for operational teams in detecting anomalous patterns effectively. This study aims to identify anomalous debit payment transactions within switching networks by comparing three classification methods, namely Naive Bayes, K-Nearest Neighbors (K-NN), and Decision Tree. The dataset used consists of sampled daily transaction data obtained from operational monitoring, which is analyzed based on predefined transaction matrices developed by operational teams as indicators of anomaly detection. The evaluation of model performance is conducted using key metrics, including accuracy, precision, and recall, to determine the most effective classification method. The results show that machine learning-based classification significantly improves the accuracy and efficiency of anomaly detection compared to manual analysis. Furthermore, the integration of data mining techniques with operational transaction matrices provides a structured and practical approach for early anomaly identification. This approach not only enhances the effectiveness of transaction monitoring but also strengthens fraud prevention mechanisms and supports more informed and data-driven decision-making processes within switching companies.
References
Adhitya Prayoga Permana, K. A. (2021). Analisis perbandingan algoritma decision tree, K-nearest neighbor, dan naive Bayes untuk prediksi kesuksesan start-up. JISKa, 178–188.
Ainurrohmah, D. T. (2023). Analisis performa algoritma decision tree, naive Bayes, dan K-nearest neighbor untuk klasifikasi zona daerah risiko Covid-19 di Indonesia. Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), 115–122.
Kurniawan, A., & Hindriyanto, D. P. (2024). Sistem deteksi anomali pada transformator menggunakan dissolved gas analysis dengan metode K-nearest neighbor. Jurnal Media Informatika Budidarma, 144–153. https://doi.org/10.30865/mib.v8i1.7034
Aliyah, A., Azzahra, N., & Putri, A. I. (2024). Analisis sentimen Twitter terhadap tren penyebaran informasi pelaku kejahatan menggunakan algoritma naive Bayes. Jurnal Publikasi Sistem Informasi dan Telekomunikasi, 85–97.
Franko, B., Wilyanto, N., & Irsyad, H. (2024). Analisis sentimen terhadap naturalisasi pemain pada YouTube menggunakan decision tree dan naive Bayes. Jurnal Session, 8–16.
Kurniawan, B. D., Heriansyah, R., & Mair, Z. R. (2025). Analisis prediksi terhadap peningkatan tindak pidana dengan metode naive Bayes berdasarkan laporan kriminalitas. JATI (Jurnal Mahasiswa Teknik Informatika), 4234–4241.
Pratmanto, D., & Imaniawan, F. F. D. (2023). Analisis sentimen terhadap aplikasi Canva menggunakan algoritma naive Bayes dan K-nearest neighbors. Computer Science (CO-SCIENCE), 110–117.
Mardiani, E., Rahmansyah, N., Kurniati, I., Matondang, N., Zanitha, D. A., & Romzy, I. (2023). Membandingkan algoritma data mining dengan tools Orange untuk social economy. Digital Transformation Technology (Digitech), 686–693.
Zamachsari, F., & Puspitasari, N. (2021). Penerapan deep learning dalam deteksi penipuan transaksi keuangan secara elektronik. Jurnal RESTI, 203–212.
Hozairi, A., Anwari, & Alim, S. (2021). Implementasi Orange data mining untuk klasifikasi kelulusan mahasiswa dengan model K-nearest neighbor, decision tree, serta naive Bayes. Jurnal Ilmiah NERO, 133–144.
Wibawa, I. M. S. T., & Karyawati, A. A. I. N. E. (2023). Isolation forest dengan exploratory data analysis pada anomaly detection untuk data transaksi. Jurnal Nasional Teknologi Informasi dan Aplikasinya, 803–810.
Kurniawan, A., & Yulianingsih. (2021). Pendugaan fraud detection pada kartu kredit dengan machine learning. KILAT, 320–325. https://doi.org/10.33322/kilat.v10i2.1482
Kurniawan, Y. I. (2020). Aplikasi klasifikasi penentuan pengajuan kartu kredit menggunakan metode K-nearest neighbor di Bank BNI Syariah Surabaya. Komputa Jurnal Ilmiah Komputer dan Informatika, 73–82.
Mahya, L., Tarjo, T., Sanusi, Z. M., & Kurniawan, F. A. (2023). Intelligent automation of fraud detection and investigation: A bibliometric analysis approach. Jurnal Reviu Akuntansi dan Keuangan, 588–613. https://doi.org/10.22219/jrak.v13i3.28487
Mantik, H. (2024). Pengembangan electronic payment berbasis Android studi kasus PT ABC. Universitas Dirgantara Marsekal Suryadarma, 81–92.
Apriyani, M. E., Renaldi, R., & Cinderatama, T. A. (2024). Analisis sentimen berita hoax menggunakan naive Bayes. JIP (Jurnal Informatika Polinema), 1–6.
Saddam, M. A., Kurniawan, E., & D. (2023). Analisis sentimen fenomena PHK massal menggunakan naive Bayes dan support vector machine. Jurnal Informatika (JPIT), 226–233.
Darmawan, M. B. A., Dewanta, F., & Astuti, S. (2023). Analisis perbandingan algoritma decision tree, random forest, dan naive Bayes untuk prediksi banjir. TELKA, 52–61.
Muharrom, M. (2023). Analisis penggunaan Orange data mining untuk prediksi harga USDT/BIDR Binance. Bulletin of Information Technology, 178–184.
Azhari, M., Situmorang, Z., & Rosnelly, R. (2021). Perbandingan akurasi, recall, dan presisi klasifikasi pada algoritma C4.5, random forest, SVM, dan naive Bayes. Jurnal Media Informatika Budidarma, 640–651. https://doi.org/10.30865/mib.v5i2.2937
Marbun, N., & Prianggono, J. (2025). Analisis klasifikasi tindak kejahatan pencurian dengan algoritma K-nearest neighbor dan naive Bayes di Polres Buol. JEMSI, 3350–3365. https://doi.org/10.38035/jemsi.v6i5
Purba, A. (2021). Pendeteksian fraud e-channel menggunakan algoritma pembelajaran mesin. Buletin Riset Kebijakan Perbankan, 42–61.
Putra, R. A. (2024). Penerapan machine learning dalam deteksi kecurangan pada transaksi keuangan online. Duniadata.org, 1–16.
Putra, R. V. (2021). Upaya pencegahan fraud pada bank berplat merah yang merugikan keuangan negara. Jurnal Magister Hukum Perspektif, 14–24.
Ramayanti, P., & Sutabri, T. (2023). Perbandingan algoritma naive Bayes dan SVM untuk analisis penyalahgunaan kejahatan carding. JINTEKS, 18–24.
Ningsih, P. T. S., Gusvarizon, M., & Hermawan, R. (2022). Analisis sistem pendeteksi penipuan transaksi kartu kredit dengan algoritma machine learning. Jurnal Teknologi Informatika dan Komputer, 386–401. https://doi.org/10.37012/jtik.v8i2.1306
Firdaus, R., Hadiana, A. I., & Kasyidi, F. (2022). Model deteksi botnet menggunakan algoritma decision tree untuk mengidentifikasi serangan click fraud. Journal of ICT, 1–11.
Khalida, R., & Setiawati, S. (2020). Analisis sentimen sistem e-tilang menggunakan algoritma naive Bayes dengan optimalisasi information gain. JIFORTY, 19–26.
Lestari, T. S., & Sirodj, D. A. N. (2020). Klasifikasi penipuan transaksi kartu kredit menggunakan metode random forest. Journal Riset Statistika, 160–167. https://doi.org/10.29313/jrs.v1i2.525
Yazid, A. F. (2017). Mendeteksi kecurangan pada transaksi kartu kredit menggunakan metode SVM. Indonesian Journal of Applied Informatics, 61–66.
