Abstrak—Saat ini banyak perusahaan yang telah
menggunakan sistem Enterprise Resource Planning (ERP) untuk
mengatur proses bisnis yang dijalankan. Proses bisnis ERP pada suatu perusahaan selalu mengalami perubahan secara dinamis. Perubahan yang terjadi dapat menghasilkan variasi-variasi terhadap proses bisnis ERP tersebut. Variasi antara proses bisnis yang berjalan terhadap proses bisnis yang standar dapat diperiksa menggunakan process mining. Pada artikel ini, dibahas
mengenai variasi proses bisnis yang mengandung kecurangan. Kecurangan pada variasi proses bisnis dapat dideteksi dengan menggunakan metode process mining dan dengan pendekatan fuzzy association rule learning. Process mining mendeteksi
kecurangan pada proses bisnis dengan cara memeriksa ketidaksesuaian antara event logs dari proses bisnis berjalan
dengan proses bisnis yang sesuai standar perusahaan. Hasil pemeriksaan ketidaksesuaian tersebut berupa kumpulan pelanggaran yang dilakukan terhadap proses bisnis. Kumpulan pelanggaran ini kemudian diolah dengan metode fuzzy association rule learning untuk menghasilkan aturan asosiasi
antara perilaku kecurangan untuk menentukan fraud pada
proses bisnis. Penelitian ini menunjukkan bahwa metode fuzzy association rule learning dapat menghasilkan akurasi sebesar
83%. Selanjutnya, aturan tambahan yang digunakan untuk menganalisis fraud pada kasus false positive meningkatkan
akurasi menjadi 96%. Hal ini menunjukkan bahwa penggabungan metode process mining dan fuzzy association rule learning dapat digunakan untuk mendeteksi kecurangan pada
proses bisnis dengan efektif dan akurat.
Kata Kunci— Algoritma Fuzzy Association Rule Mining,
Deteksi Kecurangan, Fuzzy Multi Attribute Decision Making,
Pemeriksaan Kesesuaian, Penggalian Proses, Plugin ProM.
I. PENDAHULUAN
ERUSAHAAN-perusahaan di dunia telah menggunakan sistem Enterprise Resource Planning untuk mengatur
proses bisnis yang dimiliki. Proses bisnis dapat mengalami perubahan secara dinamis [1]. Perubahan ini disebabkan oleh bertambahnya kebutuhan dan informasi, berubahnya kondisi pasar, atau perubahan kebijakan terhadap proses bisnis dalam perusahaan. Perubahan ini menghasilkan variasi terhadap proses bisnis. Dalam kenyataannya, variasi proses bisnis ada yang telah dijalankan dengan benar dan ada juga yang mengandung kecurangan di dalamnya. Kecurangan tersebut dapat dikatakan sebagai fraud pada proses bisnis [2].
Kecurangan yang dilakukan dengan banyak cara mengakibatkan kerugian yang signifikan dalam perusahaan.
Penelitian dalam ranah penggalian data dan penggalian proses memberikan berbagai solusi untuk pendeteksian kecurangan [3]. Fraud adalah suatu masalah yang mengancam di dunia.
Ada 1.388 penipuan yang menyebabkan kerugian 1,4 miliar dolar AS di 96 negara [4].
Pada penelitian sebelumnya, penggalian proses telah memberi perhatian untuk mengurangi penipuan internal proses bisnis [5]. Penelitian tersebut menggunakan beberapa perangkat penggalian proses di ProM seperti conformance checker, dotted-chart analysis, social network miner, originator by task matrix, dan lainnya untuk melakukan
investigasi terhadap event log yang dihasilkan dari proses
bisnis yang berjalan [6].
Penelitian lainnya yang mendukung pendeteksian penipuan adalah menggunakan Association Rule Learning (ARL) untuk
mengekstrak aturan asosiasi yang terdapat dalam sejumlah data transaksi dalam perusahaan grosir [7]. Kecurangan dapat dideteksi dengan menggunakan 2 pendekatan yaitu pendekatan Data Mining dan Process Mining. Dalam konteks
pendeteksian kecurangan, metode data mining dapat
digunakan untuk memeriksa data-data sebagai input dan
menghasilkan model atau pola sebagai output yang dapat
digunakan untuk mendeteksi adanya kecurangan dalam suatu proses [8].
Dalam kasus deteksi penipuan, process mining memberikan
kontribusi beberapa keuntungan. Pemeriksaan kesesuaian (conformance checking) dapat digunakan untuk
membandingkan data aktual untuk model standar. Manfaat lain yang dihasilkan dari penyelidikan menggunakan penggalian proses adalah analisis kontrol aliran [9]. Dalam konteks deteksi penipuan, bagian menyimpang dipandang sebagai tipuan yang mencurigakan [3].
Dalam artikel ini dijelaskan mengenai penelitian dalam pendeteksian fraud pada studi kasus proses bisnis aplikasi
kredit pada bank dan proses procurement pada sistem ERP
dengan menggunakan metode Fuzzy Association Rule yang
dibantu dengan metode penggalian proses. Pada tahap training
penggalian proses digunakan untuk mendeteksi penyimpangan yang terjadi pada event logs yang dihasilkan oleh aktivitas
pada proses bisnis. Kemudian, data penyimpangan dianalisis dengan metode fuzzy association rule learning untuk
menghasilkan aturan asosiasi beserta nilai confidence.
Penyimpangan pada konteks ini adalah perilaku pelanggaran
Pendeteksian Fraud Menggunakan Fuzzy
Association Rule Learning pada Proses Bisnis
Enterprise Resource Planning (ERP)
Fernandes Sinaga, Riyanarto Sarno, dan Abdul Munif
Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya 60111 Indonesia
e-mail: riyanarto@if.its.ac.id
yang dihasilkan dari perbandingan antara event logs dari
proses bisnis berjalan dengan proses bisnis standar yang didefinisikan oleh Standard Operating Procedure (SOP).
Selain itu, pada artikel ini juga dijelaskan mengenai perhitungan bobot fraud dengan menggunakan teori fuzzy set multi attribute decision making.
II. TINJAUANPUSTAKA
A. Fuzzy Set Multi Attribute Decision Making
Teori himpunan fuzzy dikenalkan oleh Zadeh pada tahun
1965 sebagai teori matematika yang digunakan untuk membaurkan konsep [10]. Himpunan fuzzy dapat didefinisikan
sebagai sebuah kelas dengan batas-batas fuzzy. Jika X
didefinisikan sebagai alam semesta anggota X = {x1, x2,…, xn}, dan Y himpunan fuzzy dari X, maka:
(1) Pada (1) fy merupakan derajat keanggotaan dari x1 di Y. Himpunan fuzzy merupakan himpunan umum yang
memungkinkan untuk adanya tingkat keanggotaan untuk elemen-elemennya [11].
Pengambilan keputusan adalah kegiatan manusia. Pada dasarnya melibatkan pemilihan alternatif yang paling disukai dari sebuah himpunan alternatif berhingga untuk mencapai tujuan tertentu yang telah ditetapkan [12]. Multiple attribute decision making (MADM) dapat digunakan untuk memilih
sebuah alternatif dari sekumpulan alternatif yang ditandai dengan beberapa atribut.
Akan tetapi, metode MADM ini memiliki kelemahan dalam mengambil keputusan dengan informasi yang tidak tepat dan linguistik. Sehingga diperlukan metode Fuzzy multiple attribute decision making (FMADM). FMADM pada dasarnya
melibatkan 2 tahap sebelum pengambilan keputusan yaitu agregasi dan eksploitasi [13].
B. Association Rule Learning
Association Rule Learning (ARL) merupakan asosiasi
antara 2 atau lebih item/elemen/tugas di dalam sebuah database. Market Basket Analysis (MBA) merupakan aplikasi
terbesar untuk algoritma yang menemukan aturan asosiasi ini. Hal ini merupakan teknik pemodelan yang berdasar pada teori dimana jika seorang membeli kumpulan item tertentu, maka
dia juga akan cenderung membeli kumpulan item lainnya [14].
Contoh aturan asosiasi adalah sebagai berikut : Bread, Milk => Butter | 90%
Item yang berada pada sebelah kiri dari aturan asosiasi di
atas disebut antecedent (yang mendahului) dan item yang
berada pada sebelah kanan disebut consequents. Bilangan 90%
di atas mengindikasikan bahwa 90% pembeli yang membeli roti dan susu juga membeli mentega. Persentase ini mengindikasikan kepastian (confidence) dari aturan asosiasi
ini.
Nilai support merupakan jumlah atau banyaknya suatu item
muncul di dalam catatan transaksi. Di dalam aturan asosiasi, terdapat penentuan nilai ambang batas minimum untuk nilai
support. Jika sebuah kumpulan item melebihi ambang batas
minimum support tersebut, maka kumpulan item tersebut
dapat diarahkan sebagai frekuen itemset. Nilai support dapat
dihitung dengan menggunakan (2):
(2)
Confidence dari sebuah aturan asosiasi X=>Y adalah
probabilitas untuk menemukan Y pada kumpulan transaksi. Dengan kata lain, confidence mengindikasikan sebagaimana
sering munculnya item di Y pada transaksi yang mengandung
X. Nilai confidence dapat dihitung dengan menggunakan (3).
(3) Terdapat beberapa algoritma untuk pencarian aturan asosiasi seperti Apriori, AprioriTid, PredictiveApriori, Tertius,
dan sebagainya [14].
C. Fuzzy Association Rule Learning
Metode ini sama hal nya dengan metode ARL yaitu untuk mencari aturan asosiasi dari kumpulan data. Yang menjadi perbedaan adalah jenis data yang diolah. Dalam ARL, data yang digunakan merupakan data crisp atau data biner yaitu 1
dan 0. 1 menandakan suatu item terdapat di dalam data dan 0
menandakan item tersebut tidak terdapat di dalam data.
Sedangkan fuzzy ARL menggunakan data fuzzy yang nilainya
antara 0 sampai 1. Nilai yang digunakan merupakan derajat keanggotaan suatu data dalam suatu kelas yang menggunakan konsep keanggotaan pada teori himpunan fuzzy. Selain itu
pada fuzzy ARL terdapat derajat inklusi dari itemset. Nilai
derajat inklusi ini yang membedakan ARL dan fuzzy ARL
[15].
Dalam fuzzy ARL terdapat perbedaan dalam perhitungan
nilai support. Contohnya support untuk A=>C dalam
himpunan transaksi fuzzy adalah supp(A U C) [15]. Misalkan
nilai A =0,5 dan nilai C=0,7, maka nilai support nya adalah
min(0,5;0,7) = 0,5. Sedangkan untuk perhitungan nilai
confidence sama dengan konsep ARL.
III. METODEPENELITIAN
Metode ini diimplementasikan sebagai sebuah Plugin ProM seperti pada Gambar 1. Kotak berwana abu-abu
menunjukkan plugin conformance yang terdapat pada ProM
dan di dalamnya merupakan analisis yang dilakukan dalam
plugin tersebut.
A. Skip Activity Analysis
Pada bagian ini dilakukan analisis terhadap event logs
apakah terdapat aktivitas yang sengaja dilewati dan tidak sesuai dengan model proses bisnis standar. Analisis ini dilakukan menggunakan plugin Compliance Check using Conformance Checking pada ProM yang dimodifikasi
sehingga dapat menampilkan pelanggaran Skip Sequence dan Skip Decision.
B. Wrong Pattern Analysis
Pada bagian ini dilakukan analisis pola yang ada pada event logs yaitu dengan membandingkan urutan aktivitas event logs
dengan model proses bisnis standar untuk mendeteksi pelanggaran Wrong Pattern.
Table 1. Tabel Kepentingan Tingkat
Kepentingan a b Vector c d Rating
Very Important 0,7 1 1 1 100% - 70% Important 0,5 0,7 0,7 1 100% - 50% Fair 0,2 0,5 0,5 0,8 80% - 20% Week 0 0,3 0,3 0,5 0% - 50% Very Week 0 0 0 0,3 0% - 30% Tabel 2. Tabel Derajat Pelanggaran
Atribut a b c d
Very Bad 0 0 0,1 0,2
Between Very Bad & Bad 0 0,1 0,2 0,3
Bad 0,1 0,2 0,3 0,4
Between Bad & Fair 0,2 0,3 0,4 0,5
Fair 0,3 0,4 0,5 0,6
Between Fair & Good 0,4 0,5 0,6 0,7
Good 0,5 0,6 0,7 0,8
Between Good & Very Good 0,7 0,8 0,9 1
Very Good 0,8 0,9 1 1
Table 3.
Rumus fungsi keanggotaan pelanggaran Fungsi Keanggotaan VB Fungsi Keanggotaan BVB&B, B, BB&F, F, BF&G, G, BG&VG Fungsi Keanggotaan of VG
Derajat Kondisi Derajat Kondisi Derajat Kondisi
1 a <= x <= c 0 x<=a 0 x<=a (d-x)/(d-c) c < x < d (x-a)/(b-a) a < x < b (x-a)/(b-a) a < x < b 0 x >= d || x<a 1 b <= x <= c 1 x >= b (d-x)/(d-c) c < x < d 0 x >= d
Gambar 1. Metode Penelitian
C. Wrong Resource Analysis
Pada bagian ini dilakukan analisis terhadap setiap aktor yang melakukan eksekusi terhadap setiap aktivitas yang terekam di dalam event logs dengan menggunakan plugin Check Conformance for Attribute pada ProM untuk mendeteksi Wrong Resource.
D. Wrong Duty Analysis
Pada bagian ini dilakukan analisis apakah terdapat seorang aktor yang melakukan pelanggaran terhadap aturan pemisahan tugas (Segregation of Duty) yang didefinisikan dalam SOP
untuk mendeteksi pelanggaran Wrong Duty Sequence, Wrong Duty Decision, dan Wrong Duty Combine.
E. Wrong Throughput Time Analysis
Pada bagian ini dilakukan analisis eksekusi waktu dari semua aktivitas yang ada dalam event logs dengan
membandingkan standar waktu yang ada dalam model SOP untuk mendeteksi pelanggaran Throghput Time Min dan Throghput Time Min.
F. Wrong Decision Analysis
Pada bagian ini dilakukan analisis terhadap aktifitas yang berupa decision atau yang memiliki percabangan sesudah
aktivitas tersebut. Untuk melakukan Wrong Decision Analysis
maka event logs diubah terlebih dahulu menjadi Ontology-based event logs sehingga lebih mudah untuk dilakukan query
Ontology menggunakan SPARQL. Setelah itu event log ontology tersebut dilakukan pengecekan kesesuaian dengan
model proses bisnis standar pada SOP dengan menggunakan
plugin Check Wrong Decision untuk mendeteksi pelanggaran
pada atribut Wrong Decision.
G. Fuzzy Set Multi Attribute Decision Making
Metode ini digunakan untuk menentukan bobot fraud dari
kumpulan pelanggaran yang terjadi dalam suatu proses. Penentuan bobot fraud dilakukan dengan menggunakan 2
penggabungan konsep yaitu konsep fuzzy dan konsep multiple attribute decision making (MADM). (MADM) dapat
digunakan untuk memilih sebuah alternatif dari sekumpulan alternatif yang ditandai dengan beberapa atribut [16]. Data yang diperlukan dalam menentukan bobot fraud ini ada 2 yaitu
data penilaian kepentingan atribut-atribut PBF dari para pakar dan data pelanggaran proses yang berasal dari hasil
conformance checking. Kedua data tersebut kemudian
dimodelkan ke bentuk bilangan fuzzy berdasarkan tabel
Gambar 2. Fungsi Keanggotaan Fraud Untuk data penilaian kepentingan dari pakar, tabel
kepentingannya dapat dilihat pada Tabel 1 menggunakan contoh pada [10]. Dalam artikel ini, data penilaian kepentingan dari pakar diambil dari penelitian yang dilakukan kepada para pakar audit suatu bank.
Kemudian dari data tersebut dilakukan perhitungan bobot/weight untuk tiap kategori/atribut fraud. Nilai bobot
dibagi ke dalam 4 bagian yaitu lower bound weight, middle weight 1, middle weight 2, dan upper bound weight. Untuk
menghitung keempat nilai bobot untuk tiap kategori tersebut dapat menggunakan (4), (5), (6), dan (7).
(4)
(5)
(6) (7) Di mana untuk keempat persamaan di atas terdapat notasi n yang merupakan jumlah pakar, nilai a, b, c, dan d merupakan nilai vektor a, vektor b, vektor c, dan vektor d pada Tabel 1. Selanjutnya, untuk data pelanggaran proses, tabel derajat pelanggaran dapat dilihat pada Tabel 2 dengan rumus fungsi keanggotaannya dapat dilihat pada Tabel 3.
Pada rumus fungsi keanggotaan yang terlihat pada Tabel 3, terdapat nilai x merupakan nilai probabilitas pelanggaran yang diperoleh dari perhitungan dengan (8).
(8) Perhitungan probabilitas pelanggaran ini dilakukan untuk setiap atribut pelanggaran. Hasil dari perhitungan ini akan digunakan untuk tahap fuzzifikasi ke kelas keanggotaan pada Tabel 2.
Langkah selanjutnya adalah menghitung nilai bobot/weight
untuk data pelanggaran. Data pelanggaran diambil dari hasil
conformance checking. Untuk tiap penilaian pakar diisi dengan
derajat pelanggaran yang disesuaikan dengan nilai dari pakar tersebut dan nilai conformance. Penyesuaiannya adalah dengan
mengikuti (9).
(9) Pada (9), notasi Ca, Cb, Cc, dan Cd merupakan nilai vektor a, b, c, dan d pada Tabel 2 sesuai dengan nilai fuzzifikasi pelanggarannya. Selain itu notasi Da, Db, Dc, dan Dd merupakan nilai vektor a, b, c, dan d pada Tabel 1 sesuai dengan nilai kepentingan yang diberikan pakar. Nilai P tersebut kemudian difuzzifikasi ke dalam kelas pelanggaran sesuai dengan fungsi keanggotaan derajat pelanggaran.
Setelah nilai pelanggaran telah disesuaikan dengan nilai kepentingan pakar, langkah selanjutnya adalah menghitung bobot/weight untuk pelanggaran dengan
menggunakan persamaan yang sama pada saat menghitung bobot kepentingan dengan nilai notasi n = jumlah pakar +1.
Selanjutnya dari hasil perhitungan bobot kepentingan dan pelanggaran itu, dilakukan perhitungan final rating untuk
menghitung bobot lower bound, middle1, middle 2, dan upper bound dengan menggunakan (10).
(10) Di mana, k merupakan jumlah kategori, S merupakan bobot pelanggaran, W merupakan bobot kepentingan, dan Cn merupakan kategori ke-n. Setelah keempat bobot final rating
telah dihitung, bobot fraud suatu case merupakan penjumlahan
dari keempat bobot final rating tersebut. Untuk lebih jelasnya
dapat dilihat pada (11).
(11) Perhitungan bobot fraud ini dilakukan untuk tiap proses
yang diperiksa. Nilai bobot fraud ini kemudian digunakan
untuk proses pencarian aturan asosiasi dengan menggunakan
Fuzzy ARL.
H. Fuzzy Association Rule Learning
Fuzzy Association Rule Learning merupakan metode yang
digunakan untuk mencari aturan asosiasi antara pelanggaran yang terjadi. Data yang diolah merupakan data pelanggaran-pelanggaran yang telah disertai dengan bobot fraud untuk tiap
proses. Data pelanggaran yang telah diperoleh dari pengecekan kesesuaian tersebut dihitung probabilitasnya menggunakan (8). Nilai probabilitas untuk tiap atribut pelanggaran kemudian digunakan untuk menghitung derajat keanggotaannya.
Dalam pencarian aturan asosiasi ini, tiap atribut pelanggaran dibagi ke dalam 3 tipe berdasarkan jumlah pelanggaran yang dilakukan yaitu Low, Middle dan High.
Sehingga fungsi keanggotaan yang digunakan untuk proses pencarian aturan asosiasi ini membagi pelanggaran ke dalam 3 tipe tersebut. Contohnya membagi atribut Skip Sequence
menjadi Skip Sequence Low, Skip Sequence Middle, dan Skip Sequence High. Fungsi keanggotaannya dapat dilihat pada
Gambar 2.
Langkah selanjutnya adalah menghitung derajat keanggotaan tiap atribut pelanggaran terhadap 3 tipe/kelas keanggotaan low, middle dan high. Nilai derajat keanggotaan
untuk tiap atribut pelanggaran yang telah dibagi menjadi 3 tipe ini digunakan untuk mencari derajat asosiasi dengan metode
fuzzy ARL.
Pencarian aturan asosiasi pada penelitian ini menggunakan algoritma apriori dengan menggunakan data fuzzy.
Perhitungan nilai support dapat menggunakan (2). Kemudian
untuk tiap n-itemset tentukan nilai ambang batas (threshold)
yang diperlukan untuk menyeleksi kandidat item untuk itemset
Tabel 4. Aturan asosiasi
ARL Support Confidence
SkipSL-Fraud 0,055998 0,36921868 SkipDL-Fraud 0,074731 0,62275833 TminL-Fraud 0,047079 0,40938502 TmaxL-Fraud 0,055466 0,40420202 SkipSL-wResourceL-Fraud 0,023112 1,02720247 SkipSL-wDutySecL-Fraud 0,020882 0,92807407 Tabel 5.
Pendeteksian fraud dengan aturan asosiasi
Case Aturan Confidence bobot Kelas
1 Tidak Ada 0 0 Tidak Fraud
2 Tidak Ada 0 0 Tidak Fraud
3 Tidak Ada 0 0 Tidak Fraud
29 wDutyDecL-Fraud 0,259924528 0,035 Tidak Fraud
30 wDecisionL-Fraud 0,436985882 0,1858 Tidak Fraud
Tabel 6.
Akurasi Metode tanpa bantuan rule studi kasus 1 Min Confidence TP FP TN FN Accuracy
0,1 70 17 13 0 0,83 0,2 67 17 13 3 0,8 0,3 67 17 13 3 0,8 0,4 67 17 13 3 0,8 0,5 65 17 13 5 0,78 0,6 65 17 13 5 0,78 0,7 65 15 15 5 0,8 0,8 62 14 16 8 0,78 0,9 53 10 20 17 0,73 Tabel 7.
Akurasi Metode dengan bantuan rule studi kasus1 Min Confidence TP FP TN FN Accuracy
0.1 70 5 25 0 0,95 0.2 70 4 26 0 0,96 0.3 70 4 26 0 0,96 0.4 65 3 27 5 0,92 0.5 64 3 27 6 0,91 0.6 61 3 27 9 0,88 0.7 56 3 27 14 0,83 0.8 54 3 27 16 0,81 0.9 49 3 27 21 0,76
bahwa threshold untuk 1-itemset adalah 0,02 dan untuk n-itemset berikutnya bernilai 0,05. Item yang lolos seleksi
kemudian dikombinasikan dengan item lainnya untuk
membentuk itemset yang baru. Hal ini dilakukan sampai tidak
dapat terbentuknya lagi kombinasi antara item atau dapat juga
dibatasi pembentukan itemset sampai k-itemset. Pada
percobaan ini, ditentukan proses pencarian aturan asosiasi sampai pada 5-itemset.
Aturan asosiasi yang diambil sebagai hasil untuk tugas akhir ini adalah atribut-atribut pelanggaran yang berkombinasi dengan atribut fraud untuk tiap n-itemset. Nilai untuk tiap
aturan yang terbentuk merupakan nilai confidence untuk
aturan tersebut yang dapat dihitung menggunakan (3). Nilai
confidence tersebut menunjukkan seberapa besar pengaruh
sebuah pelanggaran terhadap fraud yang terjadi.
Dalam metode ini, ditentukan aturan/rule untuk case yang
bersifat fraud dan untuk case yang bersifat tidak fraud.
Penentuan rule ini diperlukan untuk dapat mendefinisikan
dengan benar case yang fraud dan yang tidak fraud.
Untuk contoh hasil aturan asosiasi data training dapat dilihat
pada Tabel 4.
I. Detecting Fraud with Association Rule Data
Metode ini digunakan sebagai tahap testing untuk
mendeteksi fraud pada proses bisnis dengan melakukan
pencocokan atribut pelanggaran dengan aturan asosiasi yang dihasilkan. Jika suatu case mengandung aturan asosiasi yang
tidak fraud, maka case tersebut langsung didefinisikan dan
dikategorikan sebagai case yang Tidak Fraud walaupun
memiliki nilai confidence yang tinggi. Sedangkan jika suatu case mengandung aturan asosiasi yang fraud, maka case
tersebut dikategorikan sebagai Fraud. Hasil pendeteksian fraud
yang dilakukan dapat dilihat pada Tabel 5. IV. PENGUJIANDANEVALUASI
Dalam artikel ini dilakukan percobaan terhadap 2 buah studi kasus. Studi kasus pertama yaitu proses bisnis aplikasi kredit bank. Variasi dari pelanggaran yang mungkin terjadi pada kasus ini sebanyak 2510, di mana 25 merupakan jumlah aktivitas pada proses bisnis dan 10 merupakan jumlah atribut pelanggaran. Percobaan dilakukan dengan menggunakan 230
case yang terdiri dari 130 case untuk training dan 100 case
untuk testing. Untuk 130 case training terdiri dari 10 case
tidak fraud tanpa pelanggaran sama sekali (bobot=0), 20 case
tidak fraud yang melanggar hanya 1 jenis pelanggaran dengan
intensitas rendah, dan 100 case fraud. Untuk 100 case testing
terdiri dari 70 case fraud, 10 case tidak fraud tanpa
pelanggaran sama sekali, dan 20 case tidak fraud yang
melanggar 1 jenis pelanggaran dengan intensitas rendah. Untuk hasil training diperoleh 214 aturan asosiasi yang
contohnya dapat dilihat pada Tabel 4. Dan untuk hasil testing
dapat dilihat contoh hasilnya pada Tabel 5.
Selanjutnya dari data testing yang diperoleh, dilakukan
pengukuran akurasi sebagai evaluasi untuk metode pada artikel ini. Pengukuran akurasi ini dipengaruhi oleh nilai minimum confidence. Untuk hasil perhitungan akurasi dapat
menggunakan (12).
(12) Untuk nilai TP merupakan jumlah case fraud yang
terdeteksi sebagai fraud oleh sistem, TN merupakan jumlah case normal yang terdeteksi normal oleh sistem, FP
merupakan jumlah case normal yang terdeteksi sebagai fraud
oleh sistem, dan FN merupakan jumlah case fraud yang
terdeteksi normal oleh sistem.
Perhitungan akurasi pada studi kasus pertama menghasilkan akurasi tertinggi sebesar 83% untuk nilai minimum confidence
0,1 dan 0,2. Pada Tabel 6, dapat dilihat bahwa terdapat jumlah yang besar untuk kasus false positive dengan probabilitas 17/30
sedangkan jumlah false negative lebih sedikit dengan
probabilitas 0. Hal ini terjadi karena kasus yang normal belum didefinisikan dengan benar. Sehingga, diperlukan pembentukan aturan bantuan yang mendefinisikan kasus normal untuk mengurangi jumlah false positive dan meningkatkan akurasi.
Aturan tambahan mendefinisikan kasus normal. Pada penelitian ini, kasus normal didefinisikan sebagai sebuah kasus di mana hanya terdapat 1 jenis pelanggaran dengan
Tabel 8.
Akurasi Terhadap Data Testing pada studi kasus procurement ERP Min Confidence TP FP TN FN Accuracy
0.1 39 2 58 1 0.97 0.2 37 2 58 3 0.95 0.3 36 2 58 4 0.94 0.4 36 2 58 4 0.94 0.5 36 2 58 4 0.94 0.6 31 2 58 9 0.89 0.7 31 2 58 9 0.89 0.8 31 2 58 9 0.89 0.9 31 2 58 9 0.89
intensitas yang rendah. Contohnya, SkipSL(Skip Sequence Low), SkipDL(Skip Decision Low), dll.
Selanjutnya, uji coba dilakukan terhadap data testing
dengan aturan tambahan dan akurasi meningkat menjadi 96% dengan probabilitas jumlah false positive berkurang menjadi
4/30. Hasil dari perhitungan akurasi dengan bantuan aturan tambahan dapat dilihat pada Tabel 7.
Dan untuk studi kasus kedua yaitu proses procurement pada
sistem ERP. Percobaan dilakukan dengan menggunakan 200
case yang terdiri dari 100 case training dan 100 case testing.
Untuk data training terdiri dari 30 case normal dan 70 case fraud. Dan untuk data testing terdiri dari 60 case normal dan 40 case fraud. Dari proses training dihasilkan sebanyak 90 aturan
asosiasi dengan threshold 0,02 untuk tiap itemset.
Setelah data training dan testing diperoleh, perhitungan
akurasi terhadap data testing dengan cara yang sama untuk
studi kasus pertama. Perhitungan akurasi dilakukan terhadap 1 kondisi yaitu kondisi dengan bantuan rule yang sama untuk
studi kasus pertama. Hal ini dilakukan untuk dapat mengetahui apakah rule yang dibentuk dapat bersifat umum yaitu dapat
digunakan untuk mendeteksi fraud pada proses bisnis apapun.
Hasil perhitungan akurasi dapat dilihat pada Tabel 8 untuk akurasi dengan bantuan rule.
V. KESIMPULAN/RINGKASAN
Dari hasil penelitian dan percobaan yang telah dilakukan terhadap 2 studi kasus, metode conformance checking pada process mining dapat digunakan untuk mendeteksi
penyimpangan pada proses bisnis. Kemudian metode fuzzy association rule dapat digunakan untuk menentukan fraud
berdasarkan penyimpangan pada proses bisnis. Hal ini ditunjukkan dengan nilai akurasi yang diperoleh dari proses pendeteksian fraud untuk kedua studi kasus tersebut yaitu
mencapai lebih dari 90%. Selain itu, pembentukan rule
tambahan yang spesifik untuk menangani case yang tidak fraud dapat membantu untuk peningkatan akurasi karena dapat
mengurangi terjadinya False Positive dalam pendeteksian fraud. Hal ini dapat dilihat pada Tabel 6, di mana akurasi
untuk mendeteksi fraud pada studi kasus pertama tanpa
menggunakan rule tambahan ini cuma sebesar 83%. Dan pada
Tabel 7, ketika menggunakan rule tambahan, akurasi untuk
mendeteksi fraud meningkat menjadi 96%.
Selain itu, pada studi kasus procurement ERP dibuktikan
bahwa rule yang dibentuk pada percobaan studi kasus aplikasi
kredit bank dapat mendukung metode fuzzy association rule
untuk mendeteksi fraud dengan akurasi sebesar 97%.
Sehingga dapat disimpulkan bahwa rule yang dibentuk
tersebut bersifat umum yaitu dapat digunakan untuk mendeteksi fraud dengan baik dan efektif pada semua proses
bisnis.
UCAPANTERIMAKASIH
Penulis F.S. mengucapkan terima kasih kepada Tuhan Yang Maha Esa, kedua orangtua dan keluarga penulis, dosen pembimbing, seluruh dosen Teknik Informatika ITS, kerabat dekat, serta berbagai pihak yang telah membantu penulis dalam menyelesaikan penelitian ini.
DAFTARPUSTAKA
[1] R. Sarno, "Petri Net Model of ERP Business Process Variations for Small and Medium Enterprises,," Journal of Theoretical and Applied Information Technology, vol. 54 No.1, pp. 31-38., 10th August 2013. [2] J. Stoop, "A case study on the theoretical and practical value of using
process mining for the detection of fraudulent behavior in the procurement process," in Process Mining and Fraud Detection, Netherlands, Twente University, 2012.
[3] R. D. Dewandono and R. Sarno, Process Sequence Mining For Fraud Detection Using Complex Event Processing, Surabaya, 2013.
[4] "Report to the Nations on Occupational Fraud and Abuse," ACFE, 2012. [5] W. v. d. Aalst, "Process Mining: Discovery, Conformance and
Enhancement of Business Processes.," Springer, 2011.
[6] W.v.d.Aalst and A.K.A. Medeiros, "Process Mining and Security: Detecting Anomalous Process Executions and Checking Process Conformance," Computer Science, vol. 121, pp. 3-21, 2005.
[7] D. Sanchez, M. Vila, L. Cerda, and J. Serrano, "Association rules applied to credit card fraud detection," Expert Systems with Applications, 2009. [8] F. Ogwueleka, Data Mining Application in Credit Card Fraud Detection System, Nigeria: Department of Computer Science, University of Abuja, 2011.
[9] Gupta, S, W.M.P van der Aalst, A.J.M.M.Weijters, and A.K.Alves de Medeiros, Workflow and Process Mining in Healthcare, Eindhoven, 2007.
[10] M. P. Barreiros, A. Grillo, V. Cruz-Machado, and M. R. Cabrita, "Applying Fuzzy sets for ERP Systems Selection within the Construction Industry," 2010.
[11] S. Gottwald, Universes of Fuzzy Sets and Axiomatizations of Fuzzy Set Theory, Springer: Studia Logica, 2006.
[12] S. J. Chuu, A Fuzzy Multiple attributes Decision-Making for the Evaluation of Advanced Manufacturing Technology, Chungli, Taiwan: Department of Business Administration Nanya Institute of Technology. [13] M. Roubens, "Fuzzy sets and decision analysis," Fuzzy Sets and Systems,
vol. 90, pp. 199-206, 1997.
[14] L. Helm, Fuzzy Association Rules An Implementation in R, Vienna: Vienna Univesity of Economics and Business Administration, 2007. [15] M. Delgado, "Mining Fuzzy Association Rules: An Overview," in BISC
Conferece, 2003.
[16] Herrera, F., Martinez, L., Sanchez, P.J, "Managing non-homogeneous information in group decision making," European Journal of Operational Research, vol. 166, pp. 115-132, 2005.
