Perpustakaan Digital ITB

Transformasi digital dalam sektor perbankan meningkatkan risiko fraud dalam transaksi digital perbankan. Penelitian ini bertujuan mengimplementasikan algoritme XGBoost untuk mendeteksi transaksi fraud serta membandingkan performanya dengan Decision Tree. Metode yang digunakan adalah Cross-Industry Standard Process for Data Mining (CRISP-DM), dengan fokus pada tahap Business Understanding, Data Understanding, Data Preparation, Modeling, dan Evaluation. Kinerja model dievaluasi menggunakan berbagai metrik, termasuk Accuracy, Precision, Recall, F1-Score, False Positive Rate (FPR), dan Area Under the Curve (AUC). Hasil penelitian menunjukkan bahwa XGBoost, baik dalam konfigurasi default maupun setelah optimasi, memiliki performa lebih baik dibandingkan Decision Tree pada dua dataset, yaitu BankSim dan Finhacks 2018. Optimasi parameter XGBoost meningkatkan akurasi serta menurunkan FPR secara signifikan, menunjukkan efektivitasnya dalam mendeteksi fraud. Temuan ini berkontribusi pada pengembangan sistem deteksi fraud berbasis machine learning yang lebih akurat dan adaptif dalam mencegah kerugian finansial pada sektor perbankan.