<![CDATA[Credit card fraud poses a serious threat in digital financial systems. Manual detection of suspicious transactions has become ineffective due to detecting fraudulent transactions using the Decision Tree algorithm. The dataset used was obtained from Kaggle and underwent preprocessing and attribute selection. The model was tested under four data split scenarios: 90:10, 80:20, 70:30, and 60:40. Performance evaluation was conducted using a confusion matrix with accuracy, precision, and recall metrics. The results show that the 60:40 data split yielded the best performance, with an accuracy of 97,47%, precision of 86,34%, and recall of 78,67%. These findings indicate that the Decision Tree algorithm can produce highly accurate classification results even without applying data balancing techniques.Kata kunci: Credit Card; Fraud Detection; Decision Tree; Data Mining. AbstrakPenipuan dalam transaksi kartu kredit merupakan ancaman serius dalam sistem keuangan digital. Deteksi secara manual terhadap transaksi yang mencurigakan menjadi tidak efektif seiring dengan meningkatnya volume data. Penelitian ini bertujuan untuk mengembangkan model klasifikasi untuk mendeteksi transaksi fraud menggunakan algoritma Decision Tree C4.5. Dataset yang digunakan diperoleh dari Kaggle dan telah melalui proses praproses dan seleksi atribut. Pengujian dilakukan dengan empat skenario pembagian data training dan data testing, yaitu 90:10, 80:20, 70:30, dan 60:40. Evaluasi performa dilakukan menggunakan confusion matrix dengan metrik akurasi, presisi, dan recall. Hasil menunjukkan bahwa pembagian data 60:40 memberikan performa terbaik dengan nilai akurasi sebesar 97,47%, presisi 86,34%, dan recall 78,67%. Model ini menunjukkan bahwa algoritma Decision Tree mampu memberikan hasil klasifikasi yang sangat baik bahkan tanpa teknik penyeimbangan data.Kata kunci: Kartu Kredit; Deteksi Penipuan; Decision Tree; Data Mining]]>
Copyrights © 2025
