RINGKASAN

Kejahatan yang melibatkan transaksi di bank hingga saat ini masih sulit diatasi secara keseluruhan, ada beberapa kejahatan di dunia perbankan yang mengancam simpanan nasabah, salah satunya adalah fraud. Identifikasi kecurangan (fraud) dapat dilihat dari hasil audit internal dan eksternal, audit
eksternal dilakukan untuk meminta bantuan pihak luar dalam melakukan deteksi kecurangan dalam perusahaan, serta melakukan analisa jika auditor internal mengalami kesulitan. Klasifikasi data yang tidak seimbang merupakan masalah yang krusial pada bidang machine learning dan data mining sering dijumpai dalam identifikasi kasus fraud, ketidakseimbangan data memberikan
dampak yang buruk pada hasil klasifikasi dimana kelas minoritas sering disalah klasifikasikan sebagai kelas mayoritas. Oleh karena itu, penulis ingin mengidentifikasi kasus fraud pada transaksi perbankan menggunakan metode SMOTE, hasil identifikasi kasus diharapkan mampu meningkatkan performa
model dalam penggunaan metode SMOTE untuk mengidentifikasi kasus fraud. Pada penelitian ini metode SMOTE mampu mengatasi masalah ketidakseimbangan data dengan melakukan proses sintesis data terdekat untuk memunculkan data baru hingga data menjadi seimbang. Teknik SMOTE secara keseluruhan mampu meningkatkan akurasi dari kelima model yang diuji, dengan presentase peningkatan nilai rata-rata sebesar 9,44% yang mampu meningkatkan kemampuan untuk mengidentifikasi kasus fraud pada
transaksi perbankan. Walaupun nilai akurasi yang menjadi fokus utama untuk penilaian kinerja model namun parameter sensitivity dan specifity juga sangat berpengaruh terhadap kinerja model klasifikasi pada kasus imbalanced data.