http://eprints.amikom.ac.id/id/eprint/33140 2026-10-05T04:12:43Z info:eu-repo/semantics/descriptiveMetadata https://eprints.amikom.ac.id/id/eprint/33140/ IMPLEMENTASI LEARNING TO RANK DALAM IDENTIFIKASI RISIKO TRANSAKSI FRAUD PADA SISTEM KEUANGAN DIGITAL Mu'thi, Azizi Egatri 000 Ilmu komputer, informasi dan pekerjaan umum 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. 2026-05-20 Thesis NonPeerReviewed text id https://eprints.amikom.ac.id/id/eprint/33140/1/COVER.pdf text id https://eprints.amikom.ac.id/id/eprint/33140/2/BAB%20I.pdf text id https://eprints.amikom.ac.id/id/eprint/33140/3/BAB%20II.pdf text id https://eprints.amikom.ac.id/id/eprint/33140/4/BAB%20III.pdf text id https://eprints.amikom.ac.id/id/eprint/33140/5/BAB%20IV.pdf text id https://eprints.amikom.ac.id/id/eprint/33140/6/BAB%20V.pdf text id https://eprints.amikom.ac.id/id/eprint/33140/7/Daftar%20Pustaka%20dan%20Lampiran.pdf archive id https://eprints.amikom.ac.id/id/eprint/33140/8/Sourcecode%20-%2022.11.4800.zip text id https://eprints.amikom.ac.id/id/eprint/33140/9/Publikasi.pdf Mu'thi, Azizi Egatri (2026) IMPLEMENTASI LEARNING TO RANK DALAM IDENTIFIKASI RISIKO TRANSAKSI FRAUD PADA SISTEM KEUANGAN DIGITAL. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta. info:eu-repo/semantics/objectFile info:eu-repo/semantics/objectFile info:eu-repo/semantics/objectFile info:eu-repo/semantics/objectFile info:eu-repo/semantics/objectFile info:eu-repo/semantics/objectFile info:eu-repo/semantics/objectFile info:eu-repo/semantics/objectFile info:eu-repo/semantics/objectFile info:eu-repo/semantics/humanStartPage