relation: https://eprints.amikom.ac.id/id/eprint/33140/
title: IMPLEMENTASI LEARNING TO RANK DALAM  IDENTIFIKASI RISIKO TRANSAKSI FRAUD PADA SISTEM  KEUANGAN DIGITAL
creator: Mu'thi, Azizi Egatri
subject: 000 Ilmu komputer, informasi dan pekerjaan umum
description: erkembangan sistem keuangan digital mendorong peningkatan volume  transaksi yang signifikan, namun sekaligus menimbulkan risiko fraud yang  semakin kompleks. Sistem deteksi fraud berbasis machine learning yang ada saat  ini umumnya menerapkan pendekatan klasifikasi biner untuk menentukan apakah  suatu transaksi tergolong fraud atau bukan. Pendekatan ini memiliki keterbatasan  dalam konteks operasional nyata, karena tidak mampu memberikan informasi  prioritas investigasi bagi tim analis ketika menghadapi ribuan transaksi yang  terdeteksi setiap harinya.  Penelitian ini mengimplementasikan metode Learning to Rank berbasis  algoritma LambdaMART untuk mengidentifikasi dan memeringkat risiko transaksi  fraud pada sistem keuangan digital. Dataset yang digunakan adalah Credit Card  Fraud Detection dari Kaggle yang memuat 284.807 transaksi dengan proporsi fraud  sebesar 0,17%. Data dibagi menggunakan time-based split (70% latih, 15%  validasi, 15% uji) dan dikelompokkan dalam Query berbasis jendela waktu satu  jam. Arsitektur Dual Pipeline dikembangkan untuk membandingkan dua  pendekatan, yaitu Pure LambdaMART yang dilatih menggunakan fitur asli, dan  Hybrid LTR yang menggabungkan fitur asli dengan skor probabilitas Out-of-Fold  (OOF) dari XGBoost Classifier yang ditransformasi menggunakan fungsi logit.  Kinerja model dievaluasi menggunakan metrik pemeringkatan Normalized  Discounted Cumulative Gain (NDCG), Precision, Recall, dan Mean Average  Precision (MAP).  Hasil penelitian menunjukkan bahwa model Hybrid LTR terbukti lebih  unggul dalam memprioritaskan transaksi fraud dibandingkan model Pure  LambdaMART dan baseline klasifikasi, dengan mencapai skor NDCG@10  tertinggi sebesar 0,816. Pendekatan hibrida ini membuktikan bahwa integrasi  ekstraksi pola penipuan secara global dengan optimasi urutan secara lokal mampu  menghasilkan daftar prioritas investigasi yang efektif dan adaptif bagi lembaga  keuangan dan perusahaan fintech.
date: 2026-05-20
type: Thesis
type: NonPeerReviewed
format: text
language: id
identifier: https://eprints.amikom.ac.id/id/eprint/33140/1/COVER.pdf
format: text
language: id
identifier: https://eprints.amikom.ac.id/id/eprint/33140/2/BAB%20I.pdf
format: text
language: id
identifier: https://eprints.amikom.ac.id/id/eprint/33140/3/BAB%20II.pdf
format: text
language: id
identifier: https://eprints.amikom.ac.id/id/eprint/33140/4/BAB%20III.pdf
format: text
language: id
identifier: https://eprints.amikom.ac.id/id/eprint/33140/5/BAB%20IV.pdf
format: text
language: id
identifier: https://eprints.amikom.ac.id/id/eprint/33140/6/BAB%20V.pdf
format: text
language: id
identifier: https://eprints.amikom.ac.id/id/eprint/33140/7/Daftar%20Pustaka%20dan%20Lampiran.pdf
format: archive
language: id
identifier: https://eprints.amikom.ac.id/id/eprint/33140/8/Sourcecode%20-%2022.11.4800.zip
format: text
language: id
identifier: https://eprints.amikom.ac.id/id/eprint/33140/9/Publikasi.pdf
identifier:   Mu'thi, Azizi Egatri  (2026) IMPLEMENTASI LEARNING TO RANK DALAM IDENTIFIKASI RISIKO TRANSAKSI FRAUD PADA SISTEM KEUANGAN DIGITAL.  S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.