<![CDATA[Penelitian tentang deteksi penipuan transaksi e-wallet berbasis machine learning menghasilkan klasifikasi biner pertransaksi tanpa profil risiko akun yang komprehensif, sehingga terdapat kesenjangan dalam penilaian tingkat risiko per akun pada dataset PaySim. Penelitian ini bertujuan mengembangkan metode Account Behavior Aggregation Scoring (ABAS) untuk mengklasifikasikan tingkat risiko akun e-wallet secara transparan dan terukur tanpa memerlukan model pembelajaran mesin. Metode ABAS menghitung skor S menggunakan formula S = min(S₁+S₂+S₃+S₄+D, 100) dari lima komponen. Validasi dilakukan pada 6.362.620 transaksi dataset PaySim (CC0, Kaggle) melalui tiga kelompok eksperimen: K-1 (isolasi pengaruh S₁ dengan variasi frekuensi), K-2 (isolasi pengaruh S₂ dengan variasi jumlah), dan K-3 (validasi data nyata terhadap ground truth isFraud). Hasil menunjukkan 6.353.307 akun unik berhasil di-score dengan rata-rata skor 20,21. Komponen S₄ mendominasi kontribusi dataset nyata sebesar 38,9%, diikuti S₁ (32,4%) dan S₂ (18,9%). Distribusi kategori menunjukkan 2.228 akun (0,04%) berkategori TINGGI dengan fraud rate 0,6%, tertinggi di antara semua kategori. Tren kenaikan monoton fraud rate dari 0,0% (SANGAT RENDAH) hingga 0,6% (TINGGI) memvalidasi sifat diskriminatif klasifikasi. Dataset berlabel terbuka yang dihasilkan memungkinkan penerapan pemantauan berbasis risiko sesuai kerangka CDD FATF tanpa membangun model penilaian dari awal.]]>
Copyrights © 2026
