IMPLEMENTASI LEARNING TO RANK DALAM IDENTIFIKASI RISIKO TRANSAKSI FRAUD PADA SISTEM KEUANGAN DIGITAL

Mu'thi, Azizi Egatri (2026) IMPLEMENTASI LEARNING TO RANK DALAM IDENTIFIKASI RISIKO TRANSAKSI FRAUD PADA SISTEM KEUANGAN DIGITAL. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf - Published Version Download (665kB)
	Text (BAB I) BAB I.pdf - Published Version Download (330kB)
	Text (BAB II) BAB II.pdf - Published Version Restricted to Registered users only Download (1MB)
	Text (BAB III) BAB III.pdf - Published Version Restricted to Registered users only Download (427kB)
	Text (BAB IV) BAB IV.pdf - Published Version Restricted to Registered users only Download (659kB)
	Text (BAB V) BAB V.pdf - Published Version Download (84kB)
	Text (DAFTAR PUSTAKA - LAMPIRAN) Daftar Pustaka dan Lampiran.pdf - Published Version Restricted to Registered users only Download (181kB)
	Archive (SOURCE CODE) Sourcecode - 22.11.4800.zip - Published Version Restricted to Repository staff only Download (385kB)
	Text (PUBLIKASI) Publikasi.pdf - Published Version Restricted to Repository staff only Download (502kB)

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.

Actions (login required)

View Item