Pendeteksian Penipuan Kartu Kredit Secara Real-Time menggunakan Jaringan Saraf Tiruan Institut Teknologi BandungTeknik FisikaMuhammad Akbar Arrozaq1331107320 April 2015

Outline1. Pendahuluan2. Jaringan Saraf Tiruan3. Simulated Annealing4. Pelatihan JST5. Hasil6. KesimpulanPustaka

Your name here (insert->page number)

1. PendahuluanPenipuan Kartu kredit adalah bentuk kegiatan pencurian atau aktivitas ilegal untuk melakukan pembayaran menggunakan kartu kredit pada sistem pembayaran elektronik sebagai sumber dana palsu.Tindakan ini dapat digolongkan ke dalam 4 metode :1. Pemilik kartu kredit tahu tak ada uang di kartu kreditnya, bank yang membayar dengan mengirim tagihan ke alamatnya.

2. Menyerahkan formulir aplikasi kartu-kredit ke bank berisi informasi palsu3. Membeli barang online memakai informasi kartu-kredit orang lain tanpa izin.4. Mencuri kartu-kredit orang lain lalu digunakan hingga bank memblokirnya.

Your name here (insert->page number)

1. PendahuluanTujuan : Menciptakan sistem yang dapat mengklasifikasikan sebuah transaksi sebagai penipuan atau non-penipuan.Teknik yang digunakan adalah Machine Learning untuk mengklasifikasikan jenis transaksi.Ada dua metode dalam pendeteksian penipuan kartu-kredit : a) Supervised, dan b) Un-supervised.Supervised menggunakan data pelatihan, untuk membangun model yang memiliki seluruh atribut termasuk label kelas, seperti atribut yang menyatakan apakah transaksi sebelumnya penipuan atau bukan.Un-supervised sama seperti Supervised, hanya saja tidak memliki label kelas.Jaringan Saraf adalah teknik Machine Learning yang supervised.Tujuan Spesifik : membangun model pelatihan berdasarkan transaksi sebelumnya, disebut data pelatihan, untuk pendeteksian penipuan. Saat pembelajaran model pelatihan selesai, model akan mampu meklasifikasikan transaksi online sebagai penpuan atau bukan. Pada paper ini diajukan penggunaan teknik Jaringan Saraf Tiruan dan Algoritma Simulated Annealing untuk mengatur bebas Jaringan Saraf.

Your name here (insert->page number)

2. Jaringan Saraf TiruanJaringan Saraf Tiruan (JST) bekerja menggunakan cara yang sama seperti otak manusia. Otak manusia terdiri dari sejumlah neuron yang terhubung satu sama lain.JST mempunyai neuron tiruan yang disebut nodes dalam jaringan.Pada tahun 1943, Pitts, W., dan McCulloch memperkenalkan JST sebagai unit pemrosesan data untuk klasifikasi atau prediksi masalah.Bentuk JST yang digunakan adalah Feed-Forward Neural Network yang dilatih oleh metode Simulated Annealing.

Your name here (insert->page number)

2. Layer NeuronBentuk JST ini terdiri dari Input Layer, Output Layer, dan Hidden Layer.Neuron pada Output Layer memiliki dua nilai yaitu :1 untuk penipuan dan 0 untuk sebaliknya.Tidak ada umpan balik. Antar neuron dihubungkan dengan pembebanan Wij.Neuron sederhana pada tiap layar disebut perceptron.

Your name here (insert->page number)

2. PerceptronSeluruh perceptron memliki fungsi Input dan fungsi Aktivasi.

Fungsi Input mengumpulkan seluruh input dan melakukan fungsi penjumlahan pada input dan mentransfer hasilnya ke fungsi aktivasiFungsi aktivasi melakukan beberapa operasi setelah penjumlahan dan mentransferkannya ke level berikutnya.Sebegai contoh pada gambar diatas, ada 3 input, I0, I1, dan I2 dan punya 2 output, Z1 dan Z2, beserta pembebanan.Lalu fungsi input akan melakukan penjumlahan terhadap input yang telah dikalikan dengan pembebanan. Outputnya adalah SS lalu ditransfer ke fungsi aktivasi. Fungsi aktivasi akan menskalakan S pada jangkauan yang sesuai. Fungsi aktivasi memiliki Threshold, jika input S melewatinya maka akan dioper ke output node

Your name here (insert->page number)

2. Fungsi AktivasiSigmoid Activation FunctionHyperbolic Tangent Activation Function(TANH)Fungsi aktivasi memberikan theshold.Pada pendeteksian penipuan, dipilih TANH.

Your name here (insert->page number)

3. Simulated AnnealingAnnealing merupakan proses termodinamika untuk mengubah struktur logam. Prosesnya yaitu memanaskan logam sedikit diatas temperatur kritisnya lalu mendinginkannya secara perlahan. Proses ini membuat logam lebih keras dan kuat, serta membuat strukturnya homogen. Emulasi proses ini dinamkan Simulated Annealing. Simulated Annealing digunakan untuk mencari konfigurasi pembebanan terbaik bagi Jaringan Saraf Tiruan.Prosedurnya :1. Panaskan sistem pada temperatur tinggi T dan buat soluasi random2. Saat algoritma berjalan, T berkurang pada setiap iterasi , dan tiap iterasi membuat model yang mendekati. 3. Lalu dinginkan sistem perlahan hingga nilai minimum T tercapai, dan membuat model tiap iterasi yang membuat sistem menuju minima global.

Your name here (insert->page number)

4.Pelatihan JSTJST tersusun dari hubungan antara neuron dalam tiap layar , dan hubungan antar neuron memiliki pembebanan.Pengaturan pembebanan untuk mempelajari hubungan input dan output disebut dengan pembelajaran atau pelatihan

Model yang digunakan memiliki data input dan output yang diinginkan. Pada awalnya terdapat perbedaan antara output sekarang dan output yang diinginkan. Beda tersebut dihitung menggunakan Mean Squared Error.

Algoritma training terus agar pembebanan mencapai nilai threshold.

Your name here (insert->page number)

4. Siklus1. Mulai2. Pilih desain vektor random , berikan temperatur awal dan jadwal pendinginan3. Evaluasi desain4. Hitung desain vektor tedekat Xi+1 dan evaluasi5. Jika Xi+1 < Xi ke-> 6, jika tidak ke ->76. Xi+1 adalah desain vektor baru7. Kurangi temperatur sistem8. Jika T>Th ulangi ke-> 2, jika tidak ->99. Selesai

Your name here (insert->page number)

Metode yang dipakai untuk pengeurangan temperatur berdasar pada temperatur mulai dan berhenti, yang dirumuskanRasio menyebabkan temperatur baru terletak antara temperatur mulai dan berhenti, rasio dihitung pada tiap siklus dan penurunan temperatur secara logaritmik Nilai temperatur mulai dan berhenti ditentukan dengan metode hit and trial. Bagian utama dari proses pelatihan ini adalah randomisasi pembebanan yang tergantung pada masalah yang akan diselesaikan dengan JST.

Pada paper ini digunakan fungsi aktivasi TANH , jadi input harus dinormalisasi, begitu juga output, dan pembebanan diantara (-1,1)

Matrix pembebanan dibuat untuk berperan sebagai array linear.

Randomisasi dilakukan dengan cara berikut Lalu Q dikalikan dengan Wij dan mengupdate seluruh nilai .Cara ini dilakukan selama n siklus. Nilai lama dibandingkan dengan nilai baru .

Your name here (insert->page number)

5. HasilSet Data diambil dari repository UCI yang terdiri dari 1000 contoh. Set data memiliki informasi berguna tentang transaksi.

Set data memiliki 20 attribut. Dan tiap baris tersebut dikonversikan dalam nomor.

Set data terbagi dua, 75% untuk tujuan pelatihan dan 25% untuk evaluasi kerja JST.

Your name here (insert->page number)

5. KonfigurasiKonfigurasi JSTKonfigurasi Simulated AnnealingWaktu pelatihan memakan 2 hari, dan berhenti setelah error mencapai 1%. Algoritma dilakukan pada Java

Your name here (insert->page number)

5. HasilJST yang dilatih oleh Simulated Annealing mendapat hasil sebagai berikut.

Terdapat 224 prediksi yang benar dari 250 contoh yang diuji.

Waktu untuk meklasifikasikan 250 contoh adalah 5-10 detik

Your name here (insert->page number)

6. Kesimpulan

Your name here (insert->page number)

PustakaKhan, Azeem Ush Shan, Nadeem Akhtar, and Mohammad Naved Qureshi. "Real-Time Credit-Card Fraud Detection using Artificial Neural Network Tuned by Simulated Annealing Algorithm." Conf. on Recent Trends in Information, Telecommunication and Computing, ITC. 2014.(address : http://searchdl.org/public/conference/2014/ITC/65.pdf)(referer :https://scholar.google.co.id/)

Your name here (insert->page number)