<![CDATA[Perkembangan teknologi digital yang pesat telah mendorong peningkatan transaksi online melalui Payment Gateway. Namun, hal ini juga diiringi dengan meningkatnya kasus penipuan (Fraud) yang merugikan merchant dan konsumen. Penelitian ini bertujuan untuk mengembangkan sistem deteksi Fraud pada Payment Gateway menggunakan metode Unsupervised Learning dengan algoritma Isolation Forest. Dataset yang digunakan merupakan dataset transaksi kartu kredit yang diperoleh dari Kaggle, yang terdiri dari 284.807 transaksi dengan komposisi 0,17% Fraud. Selain itu, untuk keperluan validasi, digunakan juga data sandbox dari Midtrans sebanyak 500 transaksi. Model Isolation Forest dilatih dengan pendekatan data balancing dan hyperparameter tuning. Hasil pengujian menunjukkan bahwa model mencapai akurasi sebesar 43,81%, precision 27,83%, dan recall 78,32%. Meskipun precision masih rendah, recall yang tinggi mengindikasikan bahwa model mampu mendeteksi sebagian besar transaksi Fraud. Sistem diimplementasikan dalam bentuk aplikasi web berbasis Laravel yang terintegrasi dengan Flask API untuk deteksi Fraud secara real-time, serta dilengkapi dengan dashboard admin untuk monitoring transaksi dan status Fraud. Penelitian ini memberikan kontribusi berupa sistem deteksi Fraud yang dapat membantu merchant dalam mengidentifikasi transaksi mencurigakan secara otomatis, serta menjadi dasar pengembangan sistem keamanan yang lebih baik di masa depan.]]>
