PUTRI SALSABILA RINALDI Primary Author mixed material bibliography Banda Aceh Fakultas MIPA (S1) 2025

Skripsi

Transformasi digital dalam industri keuangan telah membawa kemudahan akses layanan keuangan sekaligus tantangan baru dalam deteksi penipuan. Penelitian ini mengembangkan model machine learning untuk mendeteksi anomali transaksi finansial dengan membandingkan kinerja LightGBM, XGBoost, dan teknik Stacking yang menggabungkan keduanya dengan Random Forest sebagai meta-learner. Dataset yang digunakan berasal dari catatan peminjaman fintech, mencakup 857.899 data training dan 367.702 data testing, dengan pra-pemrosesan meliputi feature selection, penyeimbangan data menggunakan SMOTE, dan normalisasi Standard Scaler. Hasil evaluasi menunjukkan model Stacking unggul dengan F1-Score 84,93%, Precision 74,06%, Recall 99,54%, dan Accuracy 82,28%, mengalahkan performa individual LightGBM dan XGBoost. Model ini berhasil mendeteksi 337.707 transaksi fraud dengan kesalahan minimal, membuktikan efektivitasnya dalam mengidentifikasi pola penipuan. Penelitian ini juga menemukan adanya pola aktivitas fraud yang terorganisir, ditunjukkan oleh kemunculan berulang user dengan reference contact dan loan type yang sama, mengindikasikan adanya potensi penipuan kolektif. Temuan ini tidak hanya memperkaya literatur deteksi fraud dengan kombinasi algoritma boosting dan ensemble learning, tetapi juga merekomendasikan model siap pakai untuk industri fintech guna meminimalkan risiko kerugian. Temuan ini membuktikan pendekatan Stacking mampu meningkatkan akurasi deteksi anomali finansial sekaligus menawarkan solusi efisien untuk tantangan ketidakseimbangan data dan kompleksitas komputasi, sehingga dapat memperkuat sistem keamanan transaksi digital di sektor fintech. Kata kunci: deteksi penipuan, machine learning, LightGBM, XGBoost, Stacking, teknologi keuangan 0 ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala 159123 2025-07-09 00:38:21 2025-07-09 08:51:42 machine generated