eprintid: 33140
rev_number: 15
eprint_status: archive
userid: 12
dir: disk0/00/03/31/40
datestamp: 2026-10-05 04:12:43
lastmod: 2026-10-05 04:12:43
status_changed: 2026-10-05 04:12:43
type: thesis
metadata_visibility: show
creators_name: Mu'thi, Azizi Egatri
creators_nim: 22.11.4800
contributors_name: -, Hartatik
corp_creators: Universitas AMIKOM Yogyakarta
title: IMPLEMENTASI LEARNING TO RANK DALAM
IDENTIFIKASI RISIKO TRANSAKSI FRAUD PADA SISTEM
KEUANGAN DIGITAL
ispublished: pub
subjects: 000.000.000A
divisions: if
full_text_status: restricted
keywords: Learning to Rank, LambdaMART, deteksi fraud, pemeringkatan
risiko transaksi, sistem keuangan digital. fraud detection, transaction risk
ranking, digital financial system.
abstract: 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
date_type: published
institution: Universitas AMIKOM Yogyakarta
department: Fakultas Ilmu Komputer
thesis_type: bachelor
thesis_name: skripsi
citation:   Mu'thi, Azizi Egatri  (2026) IMPLEMENTASI LEARNING TO RANK DALAM IDENTIFIKASI RISIKO TRANSAKSI FRAUD PADA SISTEM KEUANGAN DIGITAL.  S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.   
document_url: https://eprints.amikom.ac.id/id/eprint/33140/1/COVER.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/33140/2/BAB%20I.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/33140/3/BAB%20II.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/33140/4/BAB%20III.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/33140/5/BAB%20IV.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/33140/6/BAB%20V.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/33140/7/Daftar%20Pustaka%20dan%20Lampiran.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/33140/8/Sourcecode%20-%2022.11.4800.zip
document_url: https://eprints.amikom.ac.id/id/eprint/33140/9/Publikasi.pdf