<![CDATA[Deteksi pencucian uang pada data transaksi keuangan sangat kompleks karena ketidakseimbangan kelas yang ekstrem, sehingga diperlukan model yang akurat sekaligus dapat dijelaskan. Penelitian ini menerapkan algoritma eXtreme Gradient Boosting (XGBoost) untuk mengklasifikasikan transaksi normal dan transaksi laundering, serta menginterpretasikan hasil prediksi dengan SHapley Additive exPlanations (SHAP). Metode penelitian yang digunakan adalah CRISP-DM, meliputi business understanding, data understanding, data preparation, modeling, evaluation, dan deployment. Data yang digunakan merupakan dataset transaksi keuangan sintetis sebanyak 9.504.852 transaksi dengan proporsi transaksi laundering sebesar 0,10%. Feature engineering menghasilkan 25 fitur yang merepresentasikan pola transaksi, hubungan antar akun, frekuensi, dan rasio transaksi. Tiga pendekatan penanganan data tidak seimbang diuji: SMOTE, scale_pos_weight, dan kombinasi keduanya. Hasil terbaik diperoleh dengan XGBoost menggunakan scale_pos_weight, dengan accuracy 0,9996, precision 0,7796, recall 0,9018, dan F1-score 0,8363. Analisis SHAP menunjukkan receiver_fan_in dan sender_fan_out sebagai fitur paling berpengaruh dengan kontribusi kumulatif sebesar 63,09%, menegaskan bahwa pola hubungan antar akun menjadi indikator utama dalam deteksi pencucian uang.]]>
Copyrights © 2026
