IMPROVING FRAUD DETECTION IN FINANCIAL TRANSACTIONS USING SMOTE AND MACHINE LEARNING TECHNIQUES

Abstract

Perkembangan teknologi informasi mendorong meningkatnya penggunaan sistem transaksi keuangan digital yang memberikan kemudahan dan efisiensi dalam aktivitas ekonomi. Namun, peningkatan tersebut juga diikuti oleh meningkatnya risiko financial fraud yang dapat menimbulkan kerugian finansial serta menurunkan kepercayaan terhadap sistem keuangan digital. Permasalahan utama dalam deteksi fraud adalah ketidakseimbangan distribusi data antara transaksi normal dan transaksi fraud yang menyebabkan model klasifikasi kurang optimal dalam mengenali kelas minoritas. Penelitian ini bertujuan untuk meningkatkan kinerja sistem deteksi financial fraud melalui penerapan teknik penyeimbangan data menggunakan Synthetic Minority Oversampling Technique (SMOTE) yang dikombinasikan dengan algoritma machine learning. Metode penelitian meliputi analisis karakteristik dataset, preprocessing data, penerapan SMOTE, pembangunan model menggunakan Logistic Regression, Support Vector Machine, dan Random Forest, serta evaluasi performa menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa penerapan SMOTE mampu meningkatkan kemampuan model dalam mendeteksi transaksi fraud, dengan algoritma Random Forest memberikan performa terbaik dibandingkan algoritma lainnya