<![CDATA[Fraud, sebagaimana didefinisikan oleh Association of Certified Fraud Examiners (ACFE) mencakup laporan keuangan yang keliru atau penipuan yang dibuat untuk memperoleh keuntungan yang tidak sah. Salah satu bentuk fraud adalah pencucian uang, di mana uang ilegal dipindahkan melalui sistem keuangan untuk membuatnya tampak sah. Panel Tingkat Tinggi International Financial Accountability, Transparency and Integrity (Panel FACTI) memperkirakan sekitar $1,6 triliun (2,7% dari PDB global), dicuci setiap tahun. Adanya transaksi keuangan yang mencurigakan memerlukan deteksi dini oleh lembaga keuangan untuk mencegah penyalahgunaan. Salah satu hal yang ingin dicapai dengan penelitian ini adalah bagaimana cara meningkatkan akurasi dan efisiensi dalam mendeteksi transaksi mencurigakan menggunakan teknologi Machine Learning. Penggunaan teknologi machine learning merupakan salah satu Solusi untuk mengatasi tantangan dalam mendeteksi transaksi mencurigakan. Penelitian ini dilakukan dengan mengembangkan model deteksi transaksi mencurigakan menggunakan algoritma XGBoost, Decision Tree, dan Logistic Regression dengan menerapkan Hyperparameter tuning yang dibantu dengan pencarian hyperparameter terbaik menggunakan Grid-Search untuk mendapatkan performa terbaik dari model yang dikembangkan. Kata kunci—decision tree, grid-search, hyperparameter tuning, logistic regression, xgboost.]]>
Copyrights © 2024
