Perancangan Enterprise Architecture Sistem Deteksi Fraud Transaksi Keuangan Menggunakan TOGAF ADM dan Deep Learning Long Short-Term Memory (LSTM)

Utami, Marissa
Putra, Erwin Dwika

Jurnal Sistem Informasi Dan E-Bisnis
Vol 8 No 1 (2026): Januari

Peningkatan volume dan kompleksitas transaksi keuangan digital mendorong meningkatnya risiko fraud yang bersifat dinamis dan adaptif. Penelitian ini bertujuan merancang Enterprise Architecture (EA) sistem deteksi fraud transaksi keuangan berbasis TOGAF ADM yang terintegrasi dengan model Deep Learning Long Short-Term Memory (LSTM). Dataset publik fraud detection dari Kaggle digunakan untuk memastikan reprodusibilitas penelitian. Model LSTM dievaluasi menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil pengujian menunjukkan performa yang sangat baik dengan accuracy 99,25%, precision 96,40%, recall 92,80%, dan F1-score 94,55%. Integrasi LSTM dalam EA memastikan keselarasan antara kebutuhan bisnis, arsitektur data, aplikasi, dan teknologi. Penelitian ini tidak hanya menghasilkan model deteksi fraud yang akurat, tetapi juga blueprint EA yang terstruktur, scalable, dan siap diimplementasikan pada organisasi keuangan modern.