<![CDATA[Penelitian ini bertujuan untuk mendeteksi transaksi yang terindikasi sebagai aktivitas judi online melalui layanan e-wallet di PT.XYZ dengan menerapkan algoritma machine learning random forest. Latar belakang penelitian ini dilandasiolehlonjakan drastic dalam volume transaksi mencurigakan di Indonesia, serta meningkatnya kekhawatiran terhadap penyalahgunaan sistem pembayaran digital untuk kepentingan illegal. Transaksi judi online tidak hanya berdampak negative terhadap individu, namun juga berpotensi menimbulkan risiko hukum dan reputasi bagi institusi keuangan. Oleh karena itu, diperlukan sistem pendeteksi dini yang mampu mengidentifikasi pola perilaku mencurigakan secara akurat dan efisien. Penelitian ini menggunakan pendekatan CRISP-DM yang terdiri dari enam tahap yaitu business understanding, data understanding, data preparation, modeling, evaluation, dan deployment. Data dianalisis melalui eksplorasi, pra-pemrosesan, dan pembagian menjadi data latih dan uji. Teknik SMOTE diterapkan untuk mengatasi ketidakseimbangan label antara transaksi “reported” dan “ unidentified”. model yang digunakan dalam klasifikasi mencakup random forest, logistic regression, dan xgboost yang kemudian digabungkan dalam bentuk voting classifier untuk meningkatkan akurasi dan stabilitas prediksi. Hasil evaluasi menunjukkan bahwa model voting classifier memberikan akurasi hingga 89%, walaupun nilai recall untuk kelas minoritas masih tergolong rendah. Sistem ini menghasilkan skor probabilitas untuk setiap pengguna (debit_party_id) yang menunjukkan tingkat risiko keterlibatan dalam aktivitas judi online. Hasil klasifikasi ditampilkan secara visual melalui melalui dashboard Tableau yang dapat digunakan oleh tim fraud detection sebagai sistem peringatan dini.]]>
Copyrights © 2025
