PREDIKSI FRAUD TRANSAKSI KEUANGAN MENGGUNAKAN ALGORITMA DECISION TREE UNTUK PENINGKATAN AKURASI DETEKSI

Abstract

Penelitian ini dilakukan untuk merancang dan mengevaluasi model deteksi fraud pada transaksi keuangan berbasis algoritma Decision Tree, mengingat meningkatnya aktivitas penipuan digital yang menimbulkan kerugian besar bagi lembaga keuangan dan pengguna. Perkembangan transaksi elektronik yang semakin cepat membuat bank dan penyedia layanan pembayaran membutuhkan sistem pendeteksian fraud yang tidak hanya akurat, tetapi juga mampu memberikan interpretasi yang mudah dipahami oleh analis risiko. Dalam konteks tersebut, penelitian ini berangkat dari permasalahan utama yaitu sulitnya mengidentifikasi pola fraud secara manual, ketidakseimbangan kelas data yang ekstrem, serta kompleksitas hubungan antarf fitur transaksi yang tidak mampu ditangani oleh pendekatan berbasis aturan konvensional. Metode penelitian meliputi tahapan lengkap mulai dari pengumpulan data, pembersihan dan pra-pemrosesan, eksplorasi data (EDA), pembagian data train–test, pembangunan model Decision Tree, evaluasi performa, hingga analisis feature importance dan interpretasi Confusion Matrix. Dataset terdiri dari lebih dari 555.000 transaksi dengan hanya 2.145 kasus fraud, sehingga menuntut evaluasi model yang lebih mendalam menggunakan precision, recall, dan F1-score. Model Decision Tree dilatih menggunakan 22 variabel terpilih, mencakup fitur nominal, kategorikal, dan lokasi, yang sebelumnya telah melalui proses normalisasi. Hasil penelitian menunjukkan bahwa Decision Tree memperoleh akurasi sebesar 0.9971, precision fraud 0.618, recall fraud 0.641, serta F1-score 0.629. Variabel yang paling berpengaruh dalam mendeteksi fraud adalah category, amount, trans_num, dob, dan city_pop. Confusion Matrix juga menunjukkan kemampuan model dalam mengenali pola fraud meskipun terjadi ketidakseimbangan kelas. Implikasi penelitian ini menegaskan bahwa Decision Tree dapat digunakan sebagai alat pendukung pengambilan keputusan dalam pengawasan risiko, karena mampu menghasilkan aturan keputusan yang terukur, transparan, dan mudah diimplementasikan dalam sistem peringatan dini fraud.