PREDlKSl TINGKAH LAKU SESEORANG PADA SAAT MENGGUNKAN ATM DENGAN METODE NAIVE
SCHOOL PREDICTES AT THE TIME TO USE ATM WITH NAIVE BAYES METHOD
ABSTRAK
Pada skripsi ini dibahas mengenai prediksi sistem keamanan pada ATM (automated teller machine / anjungan tunai mandiri) yang meliputi pengamanan PIN (personal identification number) dan bentuk serangan pada keamanan ATM. Metode yang digunakan dalam pengamanan pada ATM adalah dengan penggunaan PIN untuk dapat melakukan akses dan transaksi melalui mesin ATM. Pengamanan PIN dilakukan dengan menggunakan proses kriptografi (enkripsi dan dekripsi) dengan menggunakan standar Triple DES (data encryption standard).Penggunaan ATM tidak terlepas dari perlunya menjaga sistem keamanan pada ATM. Dalam skripsi ini dijelaskan penggunaan metode Naive Bayes untuk memprediksi perilaku seseorang dalam megguakan ATM. Naive Bayes adalah algoritma yang.menerapkan teori.bayes dalam teknik.data mining. Naïve Bayes Clasification (NBC) merupakan pengklasifikasian statistik yang dapat digunakan untuk memprediksi probabilitas keanggotaan suatu class. Saat ini sudah terdapat berbagai ancaman yang menyerang keamanan dalam penggunaan ATM seperti skimming,phishing, dsb.
Kata kunci: ATM, Automated Teller Machine, data encryption standard, phishing, Naive Bayes
1. PENDAHULUAN
Sandang dan Pangan merupakan kebutuhan hidup manusia yang tidak dapat dihindari. Semakin banyak kebutuhan hidup semakin besar uang yang harus dikeluarkan.Uang merupakan salahsatu kebutuhan untuk dapat memenuhi kebutuhan yang lainnya.Uang bukan hanya sekedar alat transaksi, beberapa orang menganggap uang merupakan hal yang lebih penting dari hargadiri.Pada beberapa orang uang menjadi salahsatu penyebab kesenangan, tetapi untuk beberapa orang lainnya uang juga dapat menjadi sumber malapetaka bagi orang yang memilikinya.Uang biasanya disimpan didalam dompet, tetapi untuk beberapa orang yang memiliki jumlah uang yang sangat banyak penyimpanan uang dalam dompet bukanlah merupakan tindakan yang tepat. Seseorang yang memiliki banyak uang biasanya menyimpan uang di bank.
ATM merupakan.singkatan dari Anjungan Tunai Mandiri atau dalam bahasa Inggris berarti Automated Teller Machine. ATM adalah sebuah alat elektronik yang memudahkan nasabah bank untuk mengecek rekening dan mengambil tabungan mereka tanpa perlu dilayani oleh seorang “teller”. Kemudahan yang ATM tawarkan dan minimnya
pengetahuan penggunanya, biasanya menjadikan seseorang teledor bahkan menjadi salahsatu korban tindak kejahatan penggunaan ATM.
Dalam kurun waktu tiga tahun terakhir (2013-2016), sebanyak 1.549 dari total 5.500 kasus penipuan bermodus penggandaan identitas kartu anjungan tunai mandiri (ATM) dari seluruh dunia terjadi di Indonesia.
Dengan demikian, meskipun telah menggunakan jasa pihak ketiga, masih terdapat kemungkinan kesalahan penilaian agunan sebagai acuan nilai kredit, yang akan membuka peluang terjadinya NPL. Jadi diperlukan suatu cara penilaian (prediksi nilai) yang cukup proporsional, kredibel dan akurat.
Salah satu pendekatan yang dapat digunakan untuk menetapkan nilai akurasi pada pohon keputusan tersebut adalah algoritma naïve bayes. Algoritma.Naïve.bayes adalah algoritma yang.menerapkan teori.bayes dalam teknik.data mining. Naïve Bayes Clasification (NBC) merupakan pengklasifikasian..statistik yang.dapat digunakan..untuk memprediksi probabilitas keanggotaan suatu class.
Penerapan Data Mining...Classification Untuk Prediksi Perilaku Pola Pembelian Terhadap Waktu Transaksi Menggunakan Metode Naïve Bayes,menerangkan bahwa algoritma naïve bayes adalah algoritma yang efektif dalam memprediksi perilaku berdasarkan data yang ada [2]. Sehingga penulis berasumsi bahwa algoritma naïve bayes juga akan efektif jika digunakan sebagai dasar perhitungan prediksi keamanan kartu.
2. LANDASAN TEORI 2.1 Naïve bayes
Naïve Bayes Classifier (NBC) adalah salah satu algoritma dalam teknik data mining yang menerapkan teori Bayes dalam klasifikasi. NBC merupakan pengklasifikasian statistik yang dapat digunakan untuk memprediksi probabilitas keanggotaan suatu class.
Teori keputusan Bayes merupakan pendekatan statistik yang fundamental dalam pengenalan pola (pattern recognition), teori Bayesian pada dasarnya adalah kemungkinan kejadian di masa depan yang bisa dihitung dengan menentukan frekuensi pengalaman sebelumnya. Penggunaan algoritma Bayes dalam hal klasifikasi harus mempunyai masalah yang bisa dilihat statistiknya.
Setiap sampel data direpresentasi dengan set atribut n-dimensional eigenvector: 𝑋 = {𝑋1, 𝑋2, … , 𝑋𝑛}, masing-masing menggambarkan n atribut 𝐴1, 𝐴2, … , 𝐴𝑛 . Asumsikan0bahwa terdapat sejumIah kelas (class) m 𝐶1, 𝐶2, … , 𝐶𝑚 , dan diberi sampel/data yang9tidak diketahui X (bukan class label). 𝑃(𝐶𝑖|𝑋)dapat ditentukan dengan Teorema Bayes berikut:
𝑃(𝐶𝑖|𝑋) =𝑃(𝑋|𝐶𝑖)𝑃(𝐶𝑖) 𝑃(𝑋)
𝑃(𝑋)untuk semua kelas adalah konstan, hanya memerlukan 𝑃(𝑋|𝐶𝑖)𝑃(𝐶𝑖) menjadi maksimal. Jika probabilitas priori kelas 𝐶𝑖 tidak diketahui, maka biasanya diasumsikan bahwa probabilitas kelas-kelas ini adalah sama, yakni 𝑃(𝐶1) = 𝑃(𝐶2) = ⋯ = 𝑃(𝐶𝑚) , oleh karena pertanyaan tersebut dikonversi untuk memaksimalkan 𝑃(𝑋|𝐶𝑖) . 𝑃(𝐶𝑖) sering disebut sebagai kemungkinan data 𝑋 ketika diberi 𝐶𝑖 , sedangkan asumsi untuk memaksimalkan 𝑃(𝑋|𝐶𝑖) disebut kemungkinan maksimum. Jika tidak, maka perlu memaksimalkan 𝑃(𝑋|𝐶𝑖)𝑃(𝐶𝑖). Jika diketahui asumsi probabilitas tidak sama, maka probabilitas priori8dari kelas dapat dihitung dengan 𝑃(𝐶𝑖) =𝑆𝑖
𝑆, dimana 𝑆𝑖 adalah8jumlah sampel training di kelas 𝐶𝑖 'sementara 𝑆 adalah jumlah keseluruhan sampel training.
Data set dengan banyak atribut menyebabkan biaya perhitungan 𝑃(𝐶𝑖) menjadi sangat besar. Untuk mereduksi perhitungan berlebihan dari (𝐶𝑖) , maka Naive bayes
classifier mengestimasi peluang kelas bersyarat dengan mengasumsikan bahwa atribut adalah independen secara bersyarat. Dengan member label class pada sampel, mengasumsi bahwa nilai atribut adalah independen secara bersyarat antara satu sama lain, sehingga tidak ada relasi ketergantungan antar atribut. Asumsi independen bersyarat dapat dinyatakan dalam bentuk berikut:
𝑃(𝑋|𝐶𝑖) = ∏ 𝑃(𝑥𝑘|𝐶𝑖) 𝑛
𝑘=1
Dimana probabilitas 𝑃(𝑥1|𝐶𝑖), 𝑃(𝑥2|𝐶𝑖), … , 𝑃(𝑥𝑛|𝐶𝑖) dapat diestimasi dari sampel
training. 2.2 Data Mining
Data mining merupakan proses iterative dan interaktif untuk menemukan pola atau model baru yang dapat digeneralisasi untuk masa yang akan datang, bermanfaat dan dapat dimengerti dalam suatu database yang sangat besar (massive databases).[16]
Data mining sebagai proses untuk mendapatkan informasi yang berguna dari gudang basis data yang besar. Data mining juga dapat diartikan sebagai pengekstrakan informasi baru yang diambil dari bongkahan data besar yang membantu dalam pengambilan keputusan.[17]
2.3 ATM
ATM (Automated Teller Machine) Anjungan Tunai Mandiri) adalah alat kasir otomatis tanpa adanya manusia yang dapat diletakkan di luar maupun di dalam area bank dan alat tersebut mampu mengeluarkan uang tunai serta mengangani beberapa transaksi keuangan yang rutin. Mesin ATM bekerja selama 24jam sehari untuk melakukan transaksi perbankan rutin, seperti penyetoran, penarikan uang tunai, transfer antar rekening bank serta pelunasan kredit.[12]
3. METODE PENELITIAN 3.1 Metode Pengumpulan Data
Dalam penelitian, teknik pengumpulan data merupakan faktor penting dalam keberhasilan penelitian. Hal ini berkaitan dengan bagaimana cara mengumpulkan data dan darimana sumber itu diperoleh.
3.1.1 Metode Interview
Interview atau wawancara adalah teknik pengumpulan data utama dalam metodologi kualitatif. Interviewdilakukan dengan mengadakan tanya jawab kepada Almukrom, dari wawancara yang telah dilakukan dapat disimpulkan bahwa, pencurian data atm tidak banyak dilakukan karena kebanyakan orang awam di Indonesia hanya berperan sebagai pengguna. Dari wawancara yang telah dilakukan juga diketahui dari beberapa juta tiap harinya hanya beberapa transaksi yang dilakukan secara illegal, hal tersebut tidak hanya terjadi melalui mesin ATM tetapi hal tersebut juga bisa terjadi menggunakan model transaksi lain seperti e-banking dan website. Walaupun demikian masih ada celah yang dapat dimanfaatkan seseorang untuk melakukan tindak kejahatan oleh karena itu penulis ingin menggunakan metode Naïve Bayes untuk memprediksi keamanan data nasabah.
3.1.2. Metode Observasi
Observasi atau pengamatan juga merupakan salah satu teknik pengumpulan data yang digunakan dalam penelitian. Pengumpulan data dilakukan dengan mengamati kegiatan seleksi yang dilakukan devisi seleksi, SOP dan data seleksi yang sudah ada sebelumnya. Dari hasil observasi ini penulis melihat keterlambatan tindakan yang dilakukan pihak bank terhadap kasus tindak kejahatan. Oleh sebab itu penulis ingin mencoba merancang aplikasi prediksi keamanan data nasabah menggunakan metode Naïve Bayes.
3.1.3. Metode Studi Pustaka
Penulis mempelajari teknologi yang digunakan dalam pembuatan aplikasi prediksi keamanan data nasabah menggunakan metode Naïve Bayes dan
pengimplementasiannya dengan membaca buku-buku, artikel, jurnal, dan mencari informasi di internet.
3.2 Sumber Data
Sumber data yang digunakan oleh penulis pada penelitian ini diperoleh dari studi literature.
3.2.1. Data Primer
Data dan informasi diperoleh dari wawancara secara langsung dengan bapak Almukrom untuk menemukan kasus mengenai penyalahgunaan atm sekaligus mencari solusi dalam perancangan aplikasi prediksi keamanan data nasabah. Adapun data transaksi yang telah penulis peroleh adalah sebagai berikut:
3.2.2. Data Sekunder
Data diperoleh dari pihak lain maupun sumber lainnya yang berkaitan dengan penelitian ini. Dalam hal ini penulis juga mencari data menggunakan metode observasi
yaitu dengan mengamati pelaporan data log transaksi yang adasebelumnya.
Tabel 4.12 Testing ID Jenis Kelamin Salah Pin Ganti Pin Waktu Jenis Transaksi Transaksi/ Day Lokasi Predik si 963 Laki-Laki Ya Ya Siang Tarik Tunai 2 kali Mall ???
KODE JENIS KELAMIN : 1
KODE GANTI PIN : 1
KODE SALAH PIN : 1
KODE WAKTU : 2
KODE TEMPAT TRANSAKSI : 3
KODE JENIS TRANSAKSI : 1
KODE JUMLAH TRANSAKSI : 1
=============================================
jumlah datatraining 2000jumlah data aman atau tidak dicuri : 1103 jumlah data orang yang tidak aman 896
=============================================
LANGKAH PERTAMA
=============================================
jumlah data aman dibagi jumlah data training 0.5515jumlah data dicuri dibagi jumlah data training 0.448
=============================================
LANGKAH KE 2
=============================================
Detect jenis kelamin laki-lakijumlah laki-laki yang aman : 520 jumlah laki-laki yang tidak aman : 422
jumlah laki-laki yang memiliki data aman dibagi jumlah data orang yang memiliki data aman : 0.47144152311877
jumlah laki-laki yang tidak memiliki data aman dibagi data orang yang tidak memiliki data aman : 0.47098214285714
=============================================
Detect terjadi penggantian pin
jumlah orang yang mengganti pin dan memiliki data aman : 108 jumlah orang yang mengganti pin dan tidak memiliki data aman : 838
jumlah orang yang mengganti pin dan memiliki data aman dibagi jumlah orang yang memiliki data aman : 0.097914777878513
jumlah orang yang mengganti pin dan memiliki data tidak aman dibagi jumlah orang yang memiliki data tidak aman : 0.93526785714286
============================================= detect terjadi kesalahan saat memasukkan pin
jumlah orang yang melakukan kesalahan input pin dan memiliki data aman : 86 jumlah orang yang melakukan kesalah input pin dan tidak memiliki data aman : 848 jumlah orang yang salah input pin dan memiliki data aman dibagi jumlah orang yang memiliki data aman : 0.077969174977335
jumlah orang yang salah input pin dan memiliki data tidak aman dibagi jumlah orang yang memiliki data tidak aman : 0.94642857142857
============================================= detect waktu penggunaan siang
jumlah waktu penggunaan siang dan memiliki data aman : 502 jumlah waktu penggunaan siang dan tidak memiliki data aman : 393
jumlah waktu penggunaan siang dan memiliki data aman dibagi jumlah orang yang memiliki data aman : 0.45512239347235
jumlah waktu penggunaan siang dan memiliki data tidak aman dibagi jumlah orang yang memiliki data tidak aman : 0.43861607142857
============================================= detect tempat pengambilan di Mall
jumlah tempat pengambilan di Mall dan memiliki data aman : 272 jumlah tempat pengambilan di Mall dan memiliki data tidak aman : 288
jumlah tempat pengambilan diMall data aman dibagi jumlah orang yang memiliki data aman : 0.24660018132366
jumlah tempat pengambilan diMall data tidak aman dibagi jumlah orang yang memiliki data tidak aman : 0.32142857142857
============================================= detect jenis transaksi tarik tunai
jumlah transaksi tarik tunai dan memiliki data aman : 320 jumlah transaksi tarik tunai dan memiliki data tidak aman : 621
jumlah transaksi tarik tunai dan memiliki data aman dibagi jumlah orang yang memiliki data aman : 0.29011786038078
jumlah transaksi tarik tunai dan memiliki data tidak aman dibagi jumlah orang yang memiliki data tidak aman : 0.69308035714286
============================================= jumlah transaksi hari ini dan memiliki data aman : 320
jumlah transaksi hari ini dan memiliki data tidak aman : 621
jumlah transaksi hari ini dan memiliki data aman dibagi jumlah orang yang memiliki data aman : 0.29011786038078
jumlah transaksi hari ini dan memiliki data tidak aman dibagi jumlah orang yang memiliki data tidak aman : 0.69308035714286
=============================================
=============================================
LANGKAH KE 3
=============================================
=============================================
0.47144152311877 x 0.097914777878513 x 0.077969174977335 x 0.45512239347235 x 0.24660018132366 x 0.29011786038078 x 0.29011786038078hasil prediksi kemungkinan data aman memiliki probabilitas : 3.3999265985394E-5 =============================================
0.47098214285714 x 0.93526785714286 x 0.94642857142857 x 0.43861607142857 x 0.32142857142857 x 0.69308035714286 x 0.69308035714286
hasil prediksi kemungkinan data tidak aman memiliki probabilitas : 0.028233485267187
=============================================
=============================================
===============LANGKAH KE 4==================
=============================================
Prediksi kemungkinan data aman 3.3999265985394E-5 < Prediksi kemungkinan data tidak aman 0.028233485267187
Prediksi data tidak aman lebih besar dari Prediksi data aman maka : Kemungkinan data tidak aman
4. PERANCANGAN SISTEM 4.1
4.1.1 Use case Diagram
Gambar 4.1 Use case Diagram
4.1.2 Activity Diagram
1) Activity Diagram Melihat Dashboard
Activity Diagram Melihat Dashboard akan menampilkan halaman dashboard
yang merupakan tampilan awal ketika user masuk aplikasi prediksi keamanan kartu atm.
Gambar 4.2 Activity Diagram Melihat Dashboard
2) Activity Diagram Melihat Data Training
Activity Diagram Melihat Data Training akan menampilkan list data training yang merupakan kumpulan data yang digunakan sebagai acuan prediksi naive bayes.
Gambar 4.3 Activity Diagram Melihat DataTraining
3) Activity Diagram Melihat Dataset
Activity Diagram Melihat Dataset akan menampilkan list data uji dan hasil pengujian yang merupakan data yang di-input-kan user sehingga memperoleh prediksi keamanan kartu atm.
Gambar 4.4 Activity Diagram Melihat Dataset
4) Activity Diagram Prediksi Keamanan Kartu ATM
Activity Diagram Prediksi Keamanan Kartu ATM akan menampilkan halaman pengujian dataset yang berisikan form training yang harus di-input oleh user.
Gambar 4.5 Activity Diagram Prediksi Keamanan Kartu ATM
5) Activity Diagram Management Variable
Activity Diagram management variableterdiri atas beberapa submenu yaitu jenis kelamin, salah pin, ganti pin, waktu, jenis transaksi, transaksi perday dan lokasi. Apabila submenu itu dipilih, maka akan menampilkan informasi list sesuai dengan
Gambar 4.6 Activity DiagramManagement Variable
4.1.1. Sequence Diagram
1) Sequence Diagram Melihat Dashboard
2) Sequence Diagram Melihat Data Training
Gambar 4.8 Sequence Diagram Melihat Data Training
3) Sequence Diagram Melihat Dataset
4) Sequence Diagram Prediksi Keamanan Kartu ATM
Gambar 4.10 Sequence Diagram Prediksi Keamanan Kartu ATM
5) Sequence DiagramManagement Variable
5. IMPLEMENTASI
5.1 Implementasi Antarmuka Menu Dashboard
Implementasi antarmuka menu dashboard menampilkan halaman dashboard
merupakan halaman yang pertama kali muncul ketika user membuka aplikasi.
Gambar 5.1 Tampilan Antarmuka Dashboard
Pada tampilan sebelah kiri terdapat beberapa pilihan menu, diantaranya menu data
training, dataset, prediksi dan data management variable.
5.2 Implementasi Antarmuka Menu Dataset
Implementasi antarmuka menu dataset akan menampilkan halaman list data uji dan hasil pengujian yang merupakan data yang di-input-kan user sehingga memperoleh prediksi keamanan kartu ATM.
Gambar 5.2 Tampilan Antarmuka Dataset
1) Implementasi Antarmuka Menu Prediksi
Implementasi antarmuka menu prediksi akan menampilkan halaman pengujian dataset yang berisikan forms training yang harus di-input oleh user guna memperoleh prediksi keamanan kartu ATM.
5.2 Pengujian
Program yang akan diujikan adalah program yang telah berhasil diimplementasikan. Metode yang akan digunakan untuk menguji program adalah metode black-box. Metode
black-box merupakan sebuah pengujian user interface atau pengunaan dapat dijalankan atau tidak setelah diberikan kepada user. Metode pengujian black-box diterapkan dengan menggunakan tabel referensi masukan keluaran guna menguji perilaku sistem ketika diminta untuk melakukan suatu masukan, dan akan dinyatakan sistem lolos pengujian black-box jika hasil keluaran sesuai dengan rancangan.
Berikut ini adalah hasil dari pengujian black-box yang dilakukan pada aplikasi prediksi keamanan kartu ATM.
Tabel 5.1Hasil Pengujian Black Box
No Kasus Uji Langkah Uji Hasil yang
Diharapkan Ket 1. Menu Dashboard Buka aplikasi prediksi keamanan kartu ATM Masuk ke halaman dashboard Sesuai 2. Menu Data Training
Klik menu data training
Menampilkan list data
training Sesuai 3. Menu Dataset Klik menu dataset Menampilkan list
dataset Sesuai 4. Menu Prediksi Klik menu prediksi Menampilkan form
training Sesuai 5 Menu Management variable Klik menu management variable Menampilkan submenu management variable Sesuai
Berdasarkan dari tabel hasil pengujian black-box yang terdiri dari pengujian input, proses serta output dengan menggunakan acuan rancangan software telah terpenuhi dengan hasil sesuai dengan rancangan.
KESIMPULAN & SARAN
6.1. KESIMPULAN
Penyimpanan uang didalam bank merupakan salah satu tindakan manusia untuk mengamankan harta yang ia miliki namun dalam kurun waktu tiga tahun terakhir (2013-2016), sebanyak 1.549 dari total 5.500 kasus penipuan bermodus penggandaan identitas kartu anjungan tunai mandiri (ATM) dari seluruh dunia terjadi di Indonesia.
Dengan demikian penulis membuat software untuk memprediksi perilaku seseorang dalam menggumakan kartu ATM dengan Metode NAIVE BAYES
Berdasarkan data yang telah diteliti oleh penulis, untuk mendapatkan akurasi yang tinggi dibutuhkan atribut atau class variabel serta data yang cukup banyak.
Salah satu pendekatan yang dapat digunakan untuk menetapkan nilai akurasi pada pohon keputusan tersebut adalah algoritma naïve bayes. Algoritma.Naïve.bayes adalah algoritma yang.menerapkan teori.bayes dalam teknik.data mining. Naïve Bayes Clasification (NBC) merupakan pengklasifikasian..statistik yang.dapat digunakan..untuk memprediksi probabilitas keanggotaan suatu class.
6.2. SARAN
Menyadari bahwa penulis masih jauh dari kata sempurna, kedepannya penulis akan lebih fokus dan details dalam menjelaskan tentang makalah di atas dengan sumber - sumber yang lebih banyak yang tentunga dapat di pertanggung jawabkan.
Diharapkan penelitian selanjutnya dapat dilakukan menggunakan variable atau parameter yang berbeda.
UCAPAN TERIMA KASIH
Dengan mengucapkan puji syukur kehadirat Allah SWT, Tuhan Yang Maha Pengasih dan Maha Penyayang yang telah melimpahkan segala rahmat, hidayah, dan inayah-Nya kepada penulis sehingga laporan Tugas akhir yang berjudul “PREDlKSl TINGKAH LAKU SESEORANG PADA SAAT MENGGUNKAN ATM DENGAN METODE NAIVE BAYES“ dapat penulis selesaikan sesuai dengan rencana karena dukungan dari berbagai pihak yang tidak ternilai besarnya. Oleh karena itu penulis menyampaikan terimakasih kepada:
1. Prof.Dr.Ir. Edi Noersasongko, M.Kom, selaku Rektor Universitas Dian Nuswantoro Semarang.
2. Dr.Drs Abdul Syukur, MM, selaku Dekan Fasilkom.
3. Heru Agus Santoso, Ph.D, selaku Ketua Program Studi Teknik Informatika S-1 Fakultas Ilmu Komputer Universitas Dian Nuswantoro Semarang.
4. De Rosal Ignatius Moses Setiadi, M.Kom, selaku Koordinator Tugas Akhir Program Studi Teknik Informatika S-1 Fakultas Ilmu Komputer Universitas Dian Nuswantoro Semarang. 5. Achmad Wahid Kurniawan, S.Si, M.Kom, selaku Dosen wali yang telah banyak
membantu memberi dukungan dan perwalian.
6. Setia Astuti, S.Si, M.Kom, selaku Dosen pembimbing yang telah banyak memberikan bimbingan, motivasi dan penjelasan kepada penulis dalam penyusunan dan menyelesaikan laporan Tugas Akhir.
7. Dosen-dosen pengampu di Fakultas Ilmu Komputer Teknik Informatika Universitas Dian Nuswantoro Semarang yang telah memberikan ilmu dan pengalamannya masing-masing, sehingga penulis dapat mengimplementasikan ilmu yang telah disampaikan.
Semoga Tuhan Yang Maha Esa memberikan balasan yang lebih besar kepada beliau-beliau, dan pada akhirnya penulis berharap bahwa penulisan laporan tugas akhir ini dapat bermanfaat dan berguna sebagaimana fungsinya.
Semarang,11 Agustus 2017
DAFTAR PUSTAKA
[2] Nurhasanah, Irma Ratnasari, 2015, Penerapan Data Mining Classification Untuk Prediksi Perilaku Pola Pembelian Terhadap Waktu Transaksi Menggunakan Metode Naïve Bayes, Konferensi Nasional Sistem dan Informatika, STMIK Tasikmalaya,
[12] Lipis, Allen H, 1992, Perbankan Elektronik, Penerjemah A. Hasymi. Ali, PT. Renika Cipta, Jakarta.
[16] Hermawati, Fajar Astuti, 2013, Pengolahan Citra Digital Konsep & Teori, Andi, Yogyakarta.
[17] Prasetyo, Eko, 2012, Data Mining Konsep dan Aplikasi menggunakan Matlab, Andi, Yogyakarta.
