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 Ensemble Stacking, hasil identifikasi kasus diharapkan mampu meningkatkan performa model dalam penggunaan metode Ensemble Stacking untuk mengidentifikasi kasus fraud. Pada penelitian ini metode Ensemble Stacking terbukti mampu mengatasi masalah ketidakseimbangan data dengan melakukan proses sintesis data terdekat untuk memunculkan data baru hingga data menjadi seimbang. Model Stacking secara keseluruhan mampu meningkatkan akurasi dari kelima model yang diuji, dengan presentase peningkatan nilai rata-rata sebesar 14,2% yang mampu meningkatkan kemampuan untuk mengidentifikasi kasus fraud pada transaksi kartu kredit 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.
Kata Kunci: Fraud, Bank, Ensemble Stacking, Imbalanced Data, Machine Learning, Orange Data Mining.