Jurnal SISFOKOM (Sistem Informasi dan Komputer), Volume 12, Nomor 03, PP 477-484 p-ISSN 2301-7988, e-ISSN 2581-0588 DOI : 10.32736/sisfokom.v12i3.1730, Copyright ©2023 Submitted : May 17, 2023, Revised : July 5, 2023, Accepted : October 17, 2023, Published : November 9, 2023 477 Identifikasi PenipuanKartu Kredit Pada Transaksi Ilegal Menggunakan Algoritma Random Forest dan Decision Tree Indah Werdiningsih [1] , Endah Purwanti [2] , Gede Rangga Wira Aditya [3] , Auliya Rakhman Hidayat [4] , R. Sulthan Rafi Athallah [5] , Virda Adisty Sahar [6] , Tio Satrio Wibisono [7] , Darren Febriand Nura Somba [8] Sistem Informasi, Fakultas Sains dan Teknologi Universitas Airlangga indah-w@fst.unair.ac.id [1] , endahpurwanti@fst.unair.ac.id [2] , gede.rangga.wira-2020@fst.unair.ac.id [3] , auliya.rakhman.hidayat-2020@fst.unair.ac.id [4] , raden.sulthan.rafi-2020@fst.unair.ac.id [5] , virda.adisty.sahar-2020@fst.unair.ac.id [6] , tio.satrio.wibisono-2020@fst.unair.ac.id [7] , darren.febriand.nura-2020@fst.unair.ac.id [8] Abstract— The use of credit cards is increasing in today's digital era. This increase has resulted in many cases of fraud which have had a negative impact on credit card owners. To overcome this, many financial institutions have developed credit card fraud detection systems that can identify suspicious transactions. This study uses a classification method, namely random forest and decision tree to identify illegal transactions using a credit card, which then compares the results and attempts to create a model that can be useful for detecting fraud using a credit card that is more accurate and effective. The result of this study is that the accuracy provided by the Decision Tree Classifier is 0.98, while the accuracy provided by the Random Forest Classification is also 0.975. The conclusion obtained that the decision tree has a higher level of accuracy compared to the Random Forest Classification Algorithm, which is 98%. On the other hand, the Random Forest classification algorithm has a slightly lower level of accuracy compared to the Decision Tree classification algorithm, with an accuracy rate of 97.5% Keywords—Credit Card, Classification, Decision Tree, RandomForest Abstrak— Penggunaan kartu kredit semakin meningkat dalam era digital saat ini. Peningkatan tersebut berdampak padabanyaknya kasus penipuan yang berdampak buruk bagi pemilik kartu kredit. Untuk mengatasinya, banyak lembaga keuangan telah mengembangkan sistem deteksi penipuan menggunakan kartu kredit yang dapat mengidentifikasi transaksi yang mencurigakan. Penelitian ini menggunakan metode klasifikasiyaitu random forest dan decision tree dalam mengidentifikasi transaksi ilegal menggunakan kartu kredit yang kemudian dibandingkan hasilnya dan berusaha untuk membuat model untuk mendeteksi penipuan menggunakan kartu kredit yang lebih akurat dan efektif. Hasil dari penelitian ini adalah akurasi yang diberikan oleh Decision Tree Classifier sebesar 0.98, sementara akurasi yang diberikan oleh Random Forest Classification juga sebesar 0.975. Kesimpulan yang didapat bahwa decision tree memiliki tingkat akurasi yang lebih tinggi dibandingkan dengan Algoritma Klasifikasi Random Forest yaitu 98%. Kemudian, algoritma klasifikasi Random Forest memiliki tingkat akurasi yang sedikit lebih rendah dengan algoritma klasifikasi Decision Tree dengan tingkat akurasi 97,5%. Kata Kunci—Kartu Kredit, Klasifikasi, Decision Tree, Random Forest I. PENDAHULUAN Dalam era digital saat ini, penggunaan kartu kredit semakin meluas dan telah menjadi salah satu metode pembayaran yang paling populer di seluruh dunia. Kredit biasanya digunakan untuk merujuk pada transaksi keuangan elektronik yang dilakukan tanpa penggunaan kas fisik [1]. Namun, peningkatan penggunaan kartu kredit juga diikuti dengan peningkatan kasus penipuan yang menggunakan kartu kredit. Penipuan ini dapat berdampak buruk bagi pemilik kartu kredit dan lembaga keuangan yang terkait sehingga perlu adanya upaya untuk mengidentifikasi dan mencegah transaksi ilegal yang menggunakan kartu kredit [2]. Untuk mengatasi masalah ini, banyak lembaga keuangan telah mengembangkan sistem deteksi penipuan menggunakan kartu kredit yang dapat membantu mengidentifikasi transaksi yang mencurigakan atau ilegal. Namun, sebuah transaksi tidak dapat secara murni diklasifikasikan sebagai penipuan atau secara asli pada sistem, mereka hanya mencari kemiripan dan kemungkinan transaksi menjadi penipuan berdasarkan studi ekstensif perilaku pelanggan, kebiasaan belanja mereka dan juga menganalisis penipuan yang dilakukan sebelumnya, yang kemudian akan diamati pola mereka [3]. Selain itu, masalah yang sering muncul adalah kurangnya akurasi dalam mengklasifikasikan transaksi sebagai legal atau ilegal sehingga memungkinkan terjadinya kesalahan dalam menolak transaksi yang sebenarnya legal atau menerima transaksi yang seharusnya ditolak. Penyelesaian masalah terkait klasifikasi/prediksi menggunakan machine learning saat ini menjadi acuan yang