Teknologi finansial yang berkembang pesat pada era Industry 4.0 mempermudah
pelayanan transaksi finansial. Layanan teknologi finansial ini beragam bentuknya mulai dari mbanking, internet banking, digital payment dan keseluruhan layanan ini sudah lumrah digunakan
oleh masyarakat umum. Tersebarnya layanan teknologi finansial ini juga didorong dengan
perkembangan teknologi yang memudahkan akses hingga ke handheld device seperti smartphone.
Sehingga dengan bertambah mudahnya akses, bertambah pula volum transaksi yang terjadi di era
ini. Kemudahan dan semakin cepat dan banyaknya transaksi ini mengundang risiko yang dapat
disalahgunakan oleh pihak tak bertanggung jawab untuk mengambil keuntungan dengan
merugikan pengguna ataupun bank. Salah satu risiko tersebut adalah tindakan penipuan atau fraud.
Pada pengerjaan tugas akhir ini, digunakan algoritme machine learning untuk membangun fraud
detection system dengan mengimplementasikan K-nearest neighbors (KNN) dengan algoritme
berbasis clustering. Algoritme KMeans, DBSCAN, dan OPTICS dipilih untuk diujikan menjadi
kombinasi dengan KNN dalam implementasi fraud detection system. Implementasi dilakukan
dengan melalui lima tahap sesuai dengan CRISP-DM. Yakni, mendefinisikan kebutuhan bisnis,
memahami isi dan informasi dari data, persiapan dan pengolahan data, pembuatan model dan
optimasi, dan pengujian serta evaluasi. Dalam tahap persiapan dan pengolahan data dilakukan
penanganan data tak seimbang dengan melakukan undersampling dilanjutkan dengan feature
scaling pada dataset. Pada tahap optimasi parameter dan pemodelan, digunakan metode grid
search dengan k-fold cross validation pada KNN dan metode elbow method untuk clustering.
Evaluasi dilakukan dengan menggunakan tujuh parameter yakni, false positive rate (FPR), area
under curve, recall, precision, accuracy, F1 Score, dan durasi. Hasil dari penelitian menunjukan
bahwa hasil dari evaluasi implementasi algoritme pada data uji PaySim, algoritme KNN dengan
KMeans memberikan kinerja recall yang lebih baik dibandingkan dengan ketiga kombinasi
lainnya. Algoritme KNN dengan KMeans memberikan kinerja FPR 0.74%, area under curve
96.64%, recall 88.45%, precision 26.46%, akurasi 99.23%, F1 score 40.73%, dengan durasi 17.9
detik.