Implementasi Algoritma DBSCAN dan SVM untuk Deteksi Anomali pada Proses Bisnis Perbankan

Arynda Salsabila, Kyla (2026) Implementasi Algoritma DBSCAN dan SVM untuk Deteksi Anomali pada Proses Bisnis Perbankan. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (751kB)
	PDF BAB_I.pdf Download (213kB)
	PDF BAB_II.pdf Download (626kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (373kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (784kB)
	PDF BAB_V.pdf Restricted to Registered users only Download (222kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (208kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (492kB)
	Archive (ZIP) 00000087561_2521_LembarPengesahan.pdf Restricted to Registered users only Download (65kB)

Abstract

Deteksi anomali pada proses pengajuan kredit perbankan penting dilakukan untuk mengidentifikasi kasus yang berpotensi mengalami keterlambatan, pengulangan pekerjaan, atau alur proses yang tidak efisien. Namun, data event log umumnya tidak memiliki label anomali aktual sehingga menyulitkan penerapan metode klasifikasi secara langsung. Penelitian ini mengusulkan pendekatan hybrid yang mengombinasikan algoritma Density-Based Spatial Clustering of Applications with Noise (DBSCAN) dan Support Vector Machine (SVM) untuk mendeteksi kandidat anomali pada data event log BPI Challenge 2017. DBSCAN digunakan untuk mengidentifikasi noise sebagai kandidat anomali sekaligus membentuk pseudo- label, sedangkan SVM digunakan untuk mempelajari pola pemisahan antara data normal dan anomali berdasarkan pseudo-label tersebut. Tahapan penelitian meliputi preprocessing data, penanganan missing value, pembentukan fitur berbasis kasus, normalisasi menggunakan Standard Scaler, pembentukan pseudo-label dengan DBSCAN, pelatihan model SVM, serta evaluasi menggunakan confusion matrix. Hasil terbaik diperoleh pada penggunaan fitur lengkap, DBSCAN dengan parameter eps = 0,7 dan min samples = 10, SVM yang telah dioptimasi, serta rasio pembagian data 70:30. Berdasarkan confusion matrix, model berhasil mengidentifikasi 178 data anomali dengan benar, sedangkan 38 data anomali tidak terdeteksi, dengan nilai recall sebesar 0,8241. Hasil tersebut menunjukkan bahwa pendekatan yang diusulkan memiliki kemampuan yang baik dalam mendeteksi kandidat anomali pada data tanpa label aktual. Selain itu, hasil analisis menunjukkan bahwa kasus anomali cenderung memiliki nilai rework count, total duration, case length, dan resource count yang lebih tinggi dibandingkan kasus normal. Dengan demikian, pendekatan DBSCAN­SVM dapat dimanfaatkan sebagai mekanisme deteksi awal (early detection) untuk membantu memprioritaskan kasus yang memerlukan analisis lebih lanjut pada proses bisnis pengajuan kredit.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Arynda Salsabila, Kyla (00000087561)
Contributors:	Irmina Prasetiyowati, Maria
Keywords:	DBSCAN-SVM, Deteksi Anomali, Pseudo-Labeling
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	28 Jul 2026 12:19
URI:	https://kc.umn.ac.id/id/eprint/48463

Actions (login required)

View Item