Perpustakaan Digital ITB

Penyalahgunaan promosi merupakan salah satu bentuk fraud yang umum terjadi pada platform keuangan digital. Tugas akhir ini bertujuan mengembangkan model deteksi fraud menggunakan machine learning dengan mempertimbangkan karakteristik data yang mengandung banyak missing value dan fitur turunan. Untuk mengatasi hal tersebut, digunakan metode seleksi fitur berbasis Weight of Evidence (WOE) dan Information Value (IV). Pengisian missing value dilakukan menggunakan nilai WOE karena metode imputasi konvensional tidak sesuai untuk jenis fitur yang digunakan. Beberapa model dikembangkan dan diuji, antara lain Decision Tree, Random Forest, LightGBM, AdaBoost, CatBoost, serta model ensemble seperti Stacking dan kombinasi dengan DBSCAN. Hasil evaluasi menunjukkan bahwa CatBoost dengan hyperparameter tuning memberikan kinerja terbaik dengan akurasi 86% dan F1-Score tertinggi untuk kelas fraud, melampaui model-model lainnya. Meskipun tidak terdapat perbedaan signifikan antara model yang diuji, pendekatan CatBoost terbukti paling stabil dan memenuhi kebutuhan minimum sistem. Kompleksitas model seperti Stacking belum menunjukkan hasil yang optimal, diduga karena keterbatasan informasi dalam data. Temuan ini menekankan pentingnya strategi preprocessing dan pemilihan algoritma yang tepat dalam pengembangan sistem deteksi fraud berbasis machine learning.