Deteksi Fraud Menggunakan Metode KMeans dan Euclidean Distance dalam Sensor IoT
Abstract
Dalam era industri 4.0 yang memperkenalkan dunia komunikasi antar D2D membuat hackers menjadi lebih memiliki kesempatan untuk bisa mengakses sebuah informasi di Internet. Beberapa metode dari machine learning telah dilakukan untuk bisa mendeteksi fraud dengan berbagai macam algoritma. Di dalam penelitian ini, penulis menggunakan metode KMeans dan Euclidean Distance untuk mengukur dan mengidentifikasi Fraud dalam sebuah perangkat Raspberry Pi-3 dengan tambahan sensor yaitu Ultrasonic Sensor dan DHT11. Tujuan dari penggunaan metode ini adalah mengembangkan sebuah metode machine learning yang sudah ada untuk menjadi lebih efektif dari sebuah dataset sensor IoT yang jumlahnya relatif besar. Dataset yang diambil adalah 4 variabel diantaranya jarak, kelembapan, suhu, dan timestamp selama 1 minggu dengan total dataset sebanyak 9981. Hasil dari metode ini di bandingkan dengan metode Outlier Detection, dengan menggunakan confusion matrix. Akurasi hasil dari metode ini adalah 99.7% yang relatif baik untuk digunakan dalam deteksi anomali data.
References
[2] A. Mishra and C. Ghorpade, “Credit Card Fraud Detection on the Skewed Data Using Various Classification and Ensemble Techniques,” 2018 IEEE Int. Students’ Conf. Electr. Electron. Comput. Sci. SCEECS 2018, pp. 1–5, 2018.
[3] L. F. Gong, “The application of Naive Bayesian Classification in anti-fraud system of telecommunications,” Proc. - 2011 8th Int. Conf. Fuzzy Syst. Knowl. Discov. FSKD 2011, vol. 2, pp. 1061–1064, 2011.
[4] K. Eremenko and H. de Ponteves, “Machine Learning A-ZTM: Hands-On Python & R In Data Science,” SuperDataScience Team, Udemy. [Online]. Available: https://www.udemy.com/machinelearning/.
[5] L. Minitab, “Interpret all statistics and graphs for Multiple Regression,” 2019. [Online]. Available: https://support.minitab.com/enus/minitab- express/1/help-and-how-to/modeling- statistics/regression/how-to/multiple- regression/interpret-the-results/all-statisticsand- graphs/#r-sq-adj.
