<![CDATA[Transformasi menuju ekonomi digital di Indonesia dihadapkan pada tantangan krusial berupa meningkatnya serangan fraud yang semakin canggih. Penelitian ini mengajukan sebuah pendekatan unsupervised learning untuk mengenali pola serangan fraud generasi baru sebagai dasar penguatan kapasitas supervisi institusional. Penelitian ini berfokus pada identifikasi anomali tanpa bergantung pada label historis yang ada dengan memanfaatkan algoritma ensemble Isolation Forest. Model berhasil memetakan karakteristik transaksi yang mencurigakan berkat penerapan rekayasa fitur yang mendalam, yang mencakup analisis perilaku, korelasi alamat, dan ekstraksi sinyal dari IP. Hasil evaluasi menunjukkan bahwa pendekatan unsupervised ini mampu mengidentifikasi 18% dari total kasus fraud yang telah dilabelkan, membuktikan relevansinya dalam menangkap sinyal serangan yang sesungguhnya. Lebih penting lagi, analisis kualitatif terhadap anomali yang ditemukan berhasil mengkarakterisasi sebuah Pola Serangan Senyap, yaitu kombinasi multi-faktor risiko yang berpotensi terlewatkan oleh sistem deteksi konvensional. Temuan ini menyajikan sebuah wawasan baru bagi institusi regulator untuk beralih dari supervisi reaktif ke penemuan ancaman proaktif, yang pada akhirnya mendukung terciptanya ekosistem keuangan digital yang aman dan berkelanjutan sejalan dengan Tujuan Pembangunan Berkelanjutan (SDGs).]]>
Copyrights © 2026
