p-ISSN: 1979-5661

e-ISSN: 2622-321X

Jurnal Ilmu Komputer VOL. 14 No. 2

Peningkatan Akurasi Pembobotan Attribute Importance Weights pada Deteksi Fraud

Erba Lutfina1, Solichul Huda2

Abstract

Bank loses billions of dollars every year due to Fraud. One solution to overcome fraud cases experienced by the banking world can be done widsth the fraud detection process. In the Fraud detection process, there are various PBF (Process-Based Fraud) attributes, each of which has a different impact in detecting fraud. To determine the weight of each PBF attribute the MDL (Modified Digital Logic) method is used. The MDL method generates attribute importance weights that correspond to the impact of PBF attributes. But the role of experts is still very significant in assessing each attribute's importance weights. This study aims to change the procedure of determining the attribute importance weights in the MDL method by adding the Multiple Linear Regression (MLR) method. By replacing the input previously provided by the expert, it automatically compares the attribute weight. Then the results of both methods are evaluated using a confusion matrix. Based on experimental results, the RLB method shows the percentage of classifications using all the attributes of importance weights have better results with an accuracy of 99.5%

Keywords: Fraud Detection, Process Mining, Process Based Fraud, Modified Digital Logic, Multiple Linear Regression

Abstrak

Kerugian miliaran dollar setiap tahunnya dialami oleh bank yang disebabkan oleh Fraud. Salah satu solusi untuk mengatasi kasus fraud yang dialami dunia perbankan dapat dilakukan dengan proses deteksi fraud. Pada proses deteksi Fraud, terdapat berbagai atribut PBF (Process Based Fraud) yang setiap atributnya memiliki dampak yang berbeda dalam mendeteksi fraud. Untuk menentukan bobot setiap atribut PBF digunakan metode MDL (Modified Digital Logic). Metode MDL menghasilkan attribute importance weights yang sesuai dengan dampak atribut PBF. Namun peran pakar masih sangat signifikan dalam menilai setiap attribute importance weights. Penelitian ini bertujuan untuk mengubah prosedur penentuan bobot attribute importance weights dalam metode MDL dengan menambahkan metode Multiple Linear Regression (MLR). Dengan mengganti inputan yang sebelumnya diberikan oleh pakar menjadi perbandingan bobot atribut secara otomatis. Kemudian hasil dari kedua metode dievaluasi menggunakan confusion matrix. Berdasarkan hasil eksperimen, metode MLR menunjukkan persentase klasifikasi menggunakan semua attribute importance weights menunjukkan hasil yang lebih baik dengan akurasi sebesar 99,5%.

Keywords: Fraud Detection, Process Mining, Process Based Fraud, Modified Digital Logic, Multiple Linear Regression

  • 1.    Introduction

Fraud menjadi fokus penelitian pada beberapa tahun terakhir ini. Fraud juga menyebabkan bank mengalami kerugian miliaran dollar setiap tahunnya [1]. Metode deteksi fraud menjadi salah satu solusi untuk mengatasi kasus fraud yang terjadi di dunia perbankan.

Fraud bisa terjadi dalam data transaksi, namun bisa juga terjadi dalam proses bisnis yang sedang berjalan. Untuk menganalisis data transaksi digunakan pendekatan data mining, sedangkan analisis pada proses bisnis menggunakan pendekatan process mining. Karena metode yang diusulkan dalam penelitian ini menganalisis proses bisnis, maka penelitian ini menggunakan pendekatan process mining.

Deteksi fraud dengan data mining telah banyak dilakukan pada berbagai penelitian. Contohnya dengan menggunakan metode deep learning [2], algoritma Neural network [3], algoritma SelfOrganizing Maps [4], analisis empiris [5], dan decision tree[6]. Selain itu, deteksi fraud dengan process mining dapat menggunakan metode hybrid algoritma ARL dan process mining [7], complex event processing [8], fuzzy MADM [9] dan lain sebagainya.

Pada penelitian [9] deteksi fraud dilakukan dengan menggunakan metode process mining. Penelitian mencocokan business rules dengan SOP untuk mendapatkan atribut PBF (Process Based Fraud). Pada proses deteksi Fraud, setiap atribute PBF memberikan dampak yang berbeda untuk mengindikasi fraud. Untuk melakukan pembobotan setiap atribut PBF digunakan metode MDL (Modified Digital Logic). Metode MDL menghasilkan attribute importance weights yang sesuai dengan dampak atribut PBF. Akan tetapi, dalam metode MDL peran pakar masih sangat signifikan untuk menilai setiap attribute importance weights. Hal ini akan bermasalah jika terjadi perubahan objek penelitian atau perubahan pakar. Untuk menangani masalah tersebut dibutuhkan suatu metode untuk menentukan bobot pentingnya atribut dengan mengurangi peran pakar. Metode atau skema yang dipilih yaitu dengan memodifikasi penilaian attribute importance weights pada metode MDL secara otomatis.

Penelitian mengenai pemberian attribute importance weights menggunakan metode MDL telah dilakukan pada beberapa penelitian. Pada penelitian [10] metode Modified Digital Logic (MDL) digunakan untuk menghitung bobot semua parameter renewable-power plant. Penilaian prioritas setiap parameter dalam metode MDL masih ditentukan oleh pakar secara subjektif. Pada penelitian [9] proses pembobotan atribut juga dilakukan dengan menggunakan metode MDL (Modified Digital Logic). Proses pembobotan menggunakan MDL dilakukan secara subjektif oleh pakar dengan membandingkan setiap atribut dengan atribut lainnya.

Berdasarkan review dari jurnal terkait menganai metode MDL, didapatkan bahwa proses pembobotan atribut menggunakan metode MDL masih dilakukan secara subjektif dan peran pakar masih sangat signifikan. Untuk mengatasi masalah pembobotan attribute importance weights dalam metode MDL, akan diusulkan metode Multiple Linear Regression (MLR).

Metode MLR dapat digunakan untuk memprediksi suatu nilai dan mencari koefisien bobot setiap atribut [11]. Prediksi didapatkan dari perkalian data latih dengan koefisien regresi. Koefisien regresi menunjukkan nilai bobot setiap atribut pada proses prediksi. Koefisien regresi setiap variabel inilah yang dapat digunakan sebagai inputan pada metode MDL untuk mengatasi masalah attribute importance weights secara otomatis.

Pendekatan yang mungkin dilakukan berdasarkan analisis masalah diatas dapat diselesaikan dengan menggunakan koefisien regresi. Koefisien regresi merupakan hasil dari proses MLR untuk menghitung attribute importance weights pada metode MDL. Usulan tersebut diharapkan dapat digunakan untuk menghitung attribute importance weights PBF dalam menentukan nilai deteksi fraud.

  • 2.    Metode Penelitian

    2.1.    Pengumpulan Data

Data yang digunakan pada penelitian ini merupakan data fraud dari sistem deteksi ProcessBased Fraud. Data tersebut dikelompokkan dalam data testing sebanyak 806 case. Data yang digunakan merupakan data case yang menyimpang dari SOP. Penyimpangan teridentifikasi berdasarkan kriteria atribut PBF.

Dataset yang digunakan tidak mengandung nilai kosong, sehingga dapat digunakan secara langsung untuk proses prediksi. Contoh dari dataset ditunjukkan pada tabel dibawah ini.

Table 1. Dataset PBF

α) W ra O

0) o ⊂ (D =5

(D Cfl

Q.

ω

C g

’o (D

TJ Q.

ω

ZJ

Q_

? E

P CD

ZJ

? E

P CD

ZJ O Cfl (D

CJJ

g

⊃ CD TJ o

O’ Q

2 &

Z3 C

CD .Q CZ CO 2 o ≥ φ

ZJ

TJ CD

CJJ

Q -Q

2 E

S Q

C

0)

05 Q_

CJJ Q g

c g w

(D TJ

QJ Q g

(D

05

05 Q.

Q

(D

LLl

TJ ZJ 05

102

1

0

0

0

0

0

0

0

1

0

0

1

200

0

0

3

0

0

0

0

0

0

0

0

0,878

201

0

0

3

0

0

0

0

0

0

0

0

0,878

203

0

1

0

0

0

0

0

0

1

0

0

1

204

0

0

0

3

0

0

0

0

0

0

0

0,878

205

0

0

0

1

0

0

0

0

0

0

0

0,228

211

0

0

1

0

0

0

0

0

0

0

0

0,228

214

0

0

1

0

0

0

0

0

0

0

0

0,228

217

0

0

3

0

0

0

0

0

0

0

0

0,878

232

0

0

3

0

0

0

0

0

0

0

0

0,878

245

0

0

0

0

0

1

0

0

0

0

0

1

249

1

0

0

0

0

0

0

0

1

0

0

1

312

0

0

1

0

0

0

0

0

0

0

0

0,228

580

0

0

1

0

0

0

0

0

0

0

0

0,228

583

0

0

0

0

0

0

0

0

0

1

0

0,878

Dari tabel diatas terdapat 11 variabel yang mengindikasikan atribut PBF mulai dari atribut Skip sequence hingga Event parallel. Pelanggaran yang terjadi dalam setiap case ditunjukkan dengan frekuensi munculnya nilai tiap atribute PBF.

Contohnya pada case 102, pelanggaran muncul satu kali pada atribut skip sequence dan satu kali pada atribut wrong pattern. Case 102 memiliki nilai deteksi fraud sebesar 1 yang mengindikasikan bahwa case 102 terindikasi fraud. Jika dibandingkan dengan case 200 yang muncul tiga kali pada atribut Throughtput time min, nilai deteksi fraud hanya bernilai 0,878. Dari contoh diatas menunjukkan bahwa setiap atribut PBF memiliki bobot yang berbeda-beda untuk menghasilkan nilai deteksi fraud.

  • 2.2.    Atribut PBF

Pada proses deteksi fraud dilakukan identifikasi SOP dengan menganalisis proses bisnis menggunakan metode dalam Process Mining [12]. Metode tersebut adalah sebagai berikut:

Table 2. Atribut PBF

Atribut

Deskripsi

Throughput time min

Throughput time max

Waktu eksekusi event yang lebih cepat dari waktu standard event

Waktu eksekusi event yang lebih lambat dari waktu standard event

Skip sequence

Skip decision

Sebuah event dilewati satu atau lebih pada urutan proses

Sebuah event dilewati satu atau lebih pada urutan proses yang memiliki percabangan

Wrong duty decision

Wrong resource

Wrong pattern

Wrong duty sequence

Wrong duty combine

Wrong decision

Event pararel


Originator mengeksekusi lebih dari satu event pada event decision

Event dieksekusi oleh originator yang tidak memiliki wewenang event yang dieksekusi tidak sesuai dengan pola urutan SOP Originator mengeksekusi lebih dari satu event pada event sequence

Originator mengeksekusi lebih dari satu event pada event sequence dan decision

Event yang memiliki keputusan dieksekusi tidak sesuai dengan SOP

Lebih dari saru event dieksekusi secara bersamaan

  • 2.3.    Flowchart Model yang Diusulkan

Dalam pelaksanaan proses implementasi, penelitian ini mengusulkan model baru dalam proses perhitungan attribute importance weights PBF. Tahap implementasi terbagi menjadi dua fase yaitu penerapan metode MLR dan perhitungan bobot dengan metode Modified Digital Logic. Berikut merupakan penjabaran langkah-langkah dari metode yang diusulkan:

Prediksi Fraud


Membandingkan bobot atribut



Matriks perbandingan bobot atribut



Menghitung positive decision dan bobot penting tiap atribut


Proses Klasifikasi Nilai fraud

Gambar 1. Flowchart model yang diusulkan


  • 2.4.    Multiple Linear Regression

Analisis regresi memiliki tujuan utama untuk memprediksi atau memperkirakan suatu nilai dari hubungan tiap-tiap variable [13]. Multiple Linear Regression (MLR) merupakan analisis regresi yang variabel terikatnya (Y) memiliki hubungan dengan lebih dari satu variabel bebas (x) namun diagramnya masih menunjukkan hubungan yang linier [14].

Tahap awal penelitian yaitu dengan membentuk Persamaan Regresi dengan melakukan prediksi menggunakan data training sebanyak 806 data. Persamaan Regresi akan menghasilkan bobot koefisien atribut PBF yang dapat digunakan sebagai inputan metode MDL. Tahapan membentuk Persamaan regresi digambarkan dengan alur sebagai berikut:

Gambar 2. Alur implementasi MLR


Tahap awal dilakukan dengan input dataset yang terdiri dari variabel bebas (atribut PBF) dan variabel terikat (nilai fraud). Langkah selanjutnya melakukan proses prediksi MLR dengan inputan dataset yang telah dijelaskan sebelumnya. Hasil dari proses MLR didapatkan persamaan regresi dari perkalian koefisien regresi dengan setiap variabel bebas.

Persamaan matematis MLR dinyatakan sebagai berikut :

Y = βo + β1x1 + β2x2 + β3x3 ... βnxn + ε

Dimana nilai β dan ε dapat didapatkan dengan rumus:

β = n∑xy - ∑χ∑y

P n∑x2-(∑x)2

ε = ∑y- b ∑χ n

Keterangan :

Y : Variabel terikat (nilai prediksi) βo, β1, β2 ,β3…βn : koefisien regresi x1, x2 x3…xn : variabel bebas

ε : deviasi kesalahan

Misalkan pada proses MLR dihasilkan persamaan regresi [13]:

y = β1x1 + β2x2 + β3x3 + β4x4 + β5x5 + ε

(1)

(2)

(3)


(4)


Dengan nilai ε = -0,05; β1= 0,299; β2= 0,427; β3= 0,322; β4= 0,273; β5= 0,405

Variabel bebas masing-masing memiliki nilai x1 = 2; x2= 1, x3= 1, x4= 3, x5= 1. Dengan persamaan MLR tersebut, nilai y dapat diprediksi sebagai berikut:

y = 0,299 (2) + 0,427 (1) + 0,322 (1) + 0,273 (3) + 0,405 (1) -0,05

= 2,521

Dari proses MLR tersebut didapatkan koefisien regresi masing-masing atribut PBF sebesar 0,299; 0,427; 0,322; 0,273; 0,405 yang selanjutnya dapat digunakan sebagai inputan di metode MDL.

  • 2.5.    Metode Modified Digital Logic (MDL)

Atribute PBF memiliki dampak yang berbeda untuk mendeteksi fraud. Oleh karena itu setiap atribut diberikan bobot yang berbeda-beda sesuai dampak yang dihasilkan. Attribute importance weights digunakan untuk memberikan bobot sesuai dengan dampak masing-masing atribut untuk menghasilkan nilai deteksi fraud. Attribute importance weights dapat dihitung dengan menggunakan metode Modified Digital Logic.

Modified Digital Logic (MDL) merupakan salah satu metode yang sering digunakan untuk memperkirakan bobot parameter. Metode ini memasukan pendapat pakar untuk menetapkan prioritas masing-masing parameter [15]. Pakar akan menentukan prioritas dengan memberikan nilai 1 untuk parameter yang kurang penting, nilai 2 untuk prioritas yang seimbang dan nilai 3 untuk parameter yang lebih penting. Berdasarkan pendapat pakar, decision table dibentuk untuk menunjukan perbandingan setiap parameter. Setelah itu memperkirakan jumlah keputusan positif yang mungkin dengan N = n (n-1) / n. Dimana n adalah jumlah atribut / parameter. P adalah jumlah dari semua positive decision untuk parameter tertentu dan Wj adalah bobot akhir dengan persamaan [16]:

Wj = ∑^⅛                                                           (5)

Contoh penerapan metode MDL adalah sebagai berikut:

Misalkan diketahui koefisien bobot atribut A1 sampai A5 adalah masing-masing berikut 0,299; 0,427; 0,322; 0,273; 0,405. Koefisien atribut tersebut didapatkan dari proses prediksi pada metode MLR.

Perbandingan atribut dilakukan dengan memberikan nilai 1 untuk parameter yang kurang penting, nilai 2 untuk prioritas yang seimbang dan nilai 3 untuk parameter yang lebih penting.

Maka matriks perbandingan atributnya adalah sebagai berikut:

Table 3. Matriks perbandingan attribute importance weights

A1

A2

A3

A4

A5

A1

2

1

1

3

1

A2

3

2

3

3

3

A3

3

1

2

3

1

A4

1

1

1

2

1

A5

3

1

3

3

2

Selanjutnya menghitung nilai Positive Decision yang didapatkan dari penjumlahan hasil perbandingan bobot dalam satu atribut.

Dari perhitungan nilai Positive Decision, selanjutnya menghitung attribute importance weights dengan cara membagi tiap atribut dengan jumlah Positive Decision seluruh atribut.

Tahapan selanjutnya adalah menentukan klasifikasi variabel untuk setiap nilai deteksi fraud dengan menggunakan metode klasifikasi k-nn. Hasil klasifikasi deteksi nilai fraud menggunakan attribute importance weights dibandingkan dengan hasil klasifikasi deteksi nilai fraud tanpa menggunakan perhitungan attribute importance weights. Perbandingan hasil klasifikasi dilakukan untuk membandingkan pengaruh attribute importance weights.

  • 2.6.    Penentuan kelas Attribute Importance Weights

Tahap penentuan kelas ditentukan dengan menggunakan sebuah rule. Jika nilai bobot atributte importance weights bernilai lebih atau sama dengan 0,2 maka bobot termasuk pada kelas very importance. Jika nilai bobot bernilai kurang dari 0,2 maka bobot termasuk pada kelas importance. Berikut merupakan tabel hasil penentuan kelas attribute importance weights berdasarkan rule:

Table 4. Hasil penentuan kelas Attribute Importance Weights

Data        Atribut 1 Kelas

Weight Uji 1  0,24       Very Important

Weight Uji 2  0,2        Very Important

Weight Uji 3  0,12       Important

Weight Uji 4  0,28       Very Important

Weight Uji 5  0,16       Important

  • 2.7.    Evaluasi Klasifikasi

Evaluasi klasifikasi dilakukan dengan confusion matrix. Evaluasi menggunakan confusion matrix digunakan untuk menghitung akurasi, presisi dan recall. Evaluasi dilakukan dengan membandingkan klasifikasi nilai fraud tanpa menggunakan attribute importance weights yang termasuk dalam kelas “Important” dan klasifikasi yang menggunakan seluruh attribute importance weights.

Evaluasi hasil menggunakan confussion matrix, contoh perhitungan sebagai berikut:

Table 5.Confusion Matrix

Kelas

Klasifikasi

Prediksi Kelas

Very Important

Important

Very Important

(True Positive)

(False Negative)

Important

(False Positive)

(True Negative)

TP+TN

Akurasi =

TP+TN+FP+FN

(6)

  • 3.    Hasil dan Pembahasan

Hasil penelitian yang dilakukan dengan menggunakan 806 data case penyimpangan SOP, didapatkan hasil berupa attribute importance weights. Attribute importance weights dihitung dengan menggunakan metode MDL. Inputan pada metode MDL berupa koefisien bobot yang dihasilkan oleh metode Regresi Linier Berganda sebagai berikut:

Table 6. Hasil koefisien bobot

Atribut

Koefisien bobot

Skip sequence

1

Skip decision

0,9951

Throughput time min

0,2861

Throughput time max

0,286

Wrong resource

0,9756

Wrong duty sequence

0,9624

Wrong duty decision

0,884

Wrong duty combine

0,9187

Wrong pattern

0,467

Wrong decision

0,878

Event parallel

0,427

Dari tabel diatas, setiap atribut memiliki bobot yang selanjutnya menjadi inputan pada metode MDL untuk menghasilkan bobot penting setiap atribut. Seperti perhitungan pada sub-bab implementasi metode MDL dihasilkan matriks perbandingan bobot atribut sebagai berikut:

Table 7. Matriks perbandingan bobot

A1

A2

A3

A4

A5

A6

A7

A8

A9

A10

A11

A1

2

3

3

3

3

3

3

3

3

3

3

A2

1

2

3

3

3

3

3

3

3

3

3

A3

1

1

2

3

1

1

1

1

1

1

1

A4

1

1

1

2

1

1

1

1

1

1

1

A5

1

1

3

3

2

3

3

3

3

3

3

A6

1

1

3

3

1

2

3

3

3

3

3

A7

1

1

3

3

1

1

2

1

3

3

3

A8

1

1

3

3

1

1

3

2

3

3

3

A9

1

1

3

3

1

1

1

1

2

1

3

A10

1

1

3

3

1

1

1

1

3

2

3

A11

1

1

3

3

1

1

1

1

1

1

2

Dari matriks perbandingan bobot atribut diatas, didapatkan attribute importance weights ditunjukkan pada tabel Weight. Attribute importance weights selanjutnya dikelompokkan dengan hasil sebagai berikut:

Table 8. Kelas attribute importance weights

Attribute importance

Atribut

weights

Kelas

Skip sequence

0,132

Very Important

Skip decision

0,124

Very Important

Throughput time min

0,058

Important

Throughput time max

0,050

Important

Wrong resource

0,116

Very Important

Wrong duty sequence

0,107

Very Important

Wrong duty decision

0,091

Very Important

Wrong duty combine

0,099

Very Important

Wrong pattern

0,074

Important

Wrong decision

0,083

Very Important

Event parallel

0,066

Important

Evaluasi hasil menggunakan confussion matrix adalah sebagai berikut:

  • Table 9.    Hasil Confusion Matrix

    Kelas

    Klasifikasi

    Prediksi Kelas

    Very Confident Fraud

    Confident Fraud

    Fraud

    Not

    Fraud

    Very Confident Fraud

    37

    0

    0

    0

    Confident Fraud

    0

    0

    0

    0

    Fraud

    0

    0

    0

    0

    Not Fraud

    1

    0

    0

    204

Akurasi = —'t-tn— = — = 0,995 = 99,5 % TP+TN+FP+FN 242 ,         ,

Hasil perbandingan menunjukkan bahwa klasifikasi k-nn dengan nilai k = 3 tanpa menggunakan attribute importance weights yang termasuk dalam kelas “Important” memiliki hasil yang lebih rendah dengan nilai akurasi sebesar 98,7% dibandingkan dengan klasifikasi yang menggunakan seluruh attribute importance weights dengan nilai akurasi sebesar 99,5%.

  • Table 10.    Perbandingan akurasi klasifikasi

Klasifikasi                  Akurasi

Klasifikasi seluruh atributte 99,5% importance weights

Klasifikasi tanpa atribut 98,7% kelas “Important”

Berikut merupakan gambar perbandingan hasil klasifikasi attribute importance weights:

Hasil perbandingan akurasi atribut

Klasifikasi tanpa atribut kelas “Important”

Klasifikasi seluruh atributte importance…

97,80% 98,40% 99,00% 99,60%

  • Gambar 3.    Hasil Perbandingan Akurasi Atribut

  • 4.    Kesimpulan

Berdasarkan hasil uji coba yang telah dilakukan menunjukkan bahwa pembobotan attribute importance weights dengan menggunakan metode MLR pada metode MDL terbukti dapat dilakukan secara otomatis. Hasil pembobotan memiliki hasil sebanyak tujuh variabel attribute importance weights termasuk dalam kelas “Very Important” dan empat variabel lainnya termasuk dalam kelas “Important”.

Berdasarkan hasil uji coba yang telah dilakukan menunjukkan bahwa metode MLR cocok digunakan untuk menghasilkan bobot setiap atribut. Hasil evaluasi menunjukkan bahwa klasifikasi dengan menggunakan seluruh attribute importance weights memiliki hasil yang lebih baik dengan nilai akurasi sebesar 99,5%. Hal ini menunjukkan bahwa seluruh attribute importance weights mempengaruhi akurasi pada klasifikasi nilai fraud.

Untuk pengembangan penelitian ke depan, dapat dikembangkan dengan menggunakan variabel bebas lain atau menambah variabel bebas yang memiliki pengaruh yang signifikan terhadap perubahan nilai fraud.

Daftar Pustaka

  • [1]    N. Mahyavanshi, “A Novel Idea for Credit Card Fraud Detection using Decision Tree A Novel Idea for Credit Card Fraud Detection using Decision Tree,” Int. J. Comput. Appl., no. September, 2017.

  • [2]    E. Kim, J. Lee, H. Shin, H. Yang, S. Cho, S. Nam, Y. Song, J. Yoon, and J. Kim, “Champion-challenger analysis for credit card fraud detection : Hybrid ensemble and deep learning,” Expert Syst. Appl., vol. 128, pp. 214–224, 2019.

  • [3]    J. O. Awoyemi and S. A. Oluwadare, “Credit card fraud detection using Machine Learning Techniques : A Comparative Analysis,” Int. Conf. Comput. Netw. Informatics, 2017.

  • [4]    N. Balasupramanian, B. G. Ephrem, and I. S. Al-barwani, “User Pattern Based Online Fraud Detection and Prevention using Big Data Analytics and Self Organizing Maps,” 2017 Int. Conf. Intell. Comput. Instrum. Control Technol., pp. 691–694, 2017.

  • [5]    J. Zhao, R. Y. K. Lau, W. Zhang, K. Zhang, X. Chen, and D. Tang, “Extracting and reasoning about implicit behavioral evidences for detecting fraudulent online transactions in e-Commerce,” Decis. Support Syst., 2016.

  • [6]    V. Bhusari, “Study of Hidden Markov Model in Credit Card Fraudulent Detection,” 2016 World Conf. Futur. Trends Res. Innov. Soc. Welf. (Startup Conclave), vol. 20, no. 5, pp. 33–36, 2016.

  • [7]    R. Sarno, R. D. Dewandono, T. Ahmad, and M. F. Naufal, “Hybrid Association Rule Learning and Process Mining for Fraud Detection,” no. April, 2015.

  • [8]    L. Patrima and K. Zeitouni, “Automatic Learning of Predictive CEP Rules : Bridging the Gap between Data Mining and Complex Event Processing,” Proc. 11th ACM Int. Conf. Distrib. Event-based Syst., 2017.

  • [9]    S. Huda, R. Sarno, and T. Ahmad, “Fuzzy MADM Approach for Rating of Process-Based Fraud,” vol. 9, no. 2, pp. 111–128, 2015.

  • [10]    F. S. Mohammad Ali Beheshtinia, “Prioritize the renewable-power plants using a combination of Modified Digital Logic and fuzzy VIKOR methods,” Energy Eng. Manag., 2017.

  • [11]   M. Protic, F. Fathurrahman, and M. Raos, “Modelling Energy Consumption of the

Republic of Serbia using Linear Regression and Artificial Neural Network Technique,” vol. 3651, pp. 135–141, 2019.

  • [12]    S. Huda, T. Ahmad, R. Sarno, and H. A. Santoso, “Identification of process-based fraud patterns in credit application,” 2014 2nd Int. Conf. Inf. Commun. Technol. ICoICT 2014, pp. 84–89, 2014.

  • [13]    M. and G. G. Clausel, “Practical Session: Multiple Linear Regression,” vol. 66, no. 2014, pp. 73–75, 2015.

  • [14]    J. Wang, F. Wang, Y. Liu, J. Xu, H. Lin, B. Jia, W. Zuo, Y. Jiang, L. Hu, and F. Lin, “Multiple Linear Regression and Artificial Neural Network to Predict Blood Glucose in Overweight Patients,” Exp. Clin. Endocrinol. Diabetes, pp. 34–38, 2016.

  • [15]    S. Vats, G. Vats, R. Vaish, and V. Kumar, “Selection of optimal electronic toll collection system for India : A subjective-fuzzy decision making approach,” vol. 21, pp. 444-452, 2014.

  • [16]    N. Ogunbiyi and A. Basukoski, “A Context-Aware Process Mining Predictive Model,” pp. 1–9.

10