Deteksi Dan Pencegahan Fraud Internal Di Perusahaan Menggunakan Algoritma Random Forest
DOI:
https://doi.org/10.30865/komik.v9i1.9569Keywords:
Deteksi Fraud, Fraud Internal, Random Forest, Fraud Diamond, Pembelajaran MesinAbstract
Fraud internal merupakan permasalahan krusial yang dapat menyebabkan kerugian finansial signifikan bagi perusahaan, termasuk CV. Smartindo Telekom. Penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem deteksi fraud internal berbasis data karyawan guna mendukung strategi deteksi yang efektif. Sistem dikembangkan dengan menerapkan algoritma Random Forest yang berlandaskan pada kerangka teori Fraud Diamond, mencakup empat elemen utama yaitu tekanan (pressure), kesempatan (opportunity), rasionalisasi (rationalization), dan kemampuan (capability). Data penelitian terdiri atas indikator finansial dan operasional seperti selisih stok, jumlah transaksi, hutang, rotasi kerja, absensi, telat absen, lembur tanpa pengawasan, transaksi anomali, pelanggaran disiplin, jabatan dan lama bekerja. Melalui teknik bootstrap sampling sebanyak 1.000 kali, dihasilkan 1.000 pohon keputusan untuk membentuk model klasifikasi yang stabil dan akurat. Sistem diimplementasikan dalam aplikasi berbasis web menggunakan framework Flask dengan visualisasi interaktif hasil analisis. Hasil evaluasi menunjukkan tingkat akurasi, presisi, recall, dan F1-score mencapai 100%, dengan faktor dominan yang memengaruhi potensi fraud adalah selisih stok, jumlah transaksi, hutang, dan rotasi kerja. Penelitian ini berhasil menghasilkan sistem deteksi fraud yang efektif sekaligus memberikan kontribusi nyata terhadap penguatan strategi pencegahan fraud internal.
References
D. T. Wolfe and D. R. Hermanson, “The Fraud Diamond: Considering the Four Elements of Fraud,” 2004. [Online]. Available: https://digitalcommons.kennesaw.edu/facpubs
H. Mahmud Nawawi, A. Baitul Hikmah, A. Mustopa, and G. Wijaya, “Model Klasifikasi Machine Learning untuk Prediksi Ketepatan Penempatan Karir,” Jurnal SAINTEKOM, vol. 14, no. 1, pp. 13–25, Mar. 2024, doi: 10.33020/saintekom.v14i1.512.
L. Breiman, “Random Forests,” Mach Learn, vol. 45, no. 1, pp. 5–32, Oct. 2001, doi: 10.1023/A:1010933404324.
Suci Amaliah, M. Nusrang, and A. Aswi, “Penerapan Metode Random Forest Untuk Klasifikasi Varian Minuman Kopi di Kedai Kopi Konijiwa Bantaeng,” VARIANSI: Journal of Statistics and Its application on Teaching and Research, vol. 4, no. 3, pp. 121–127, Dec. 2022, doi: 10.35580/variansiunm31.
W. A. E. Sawadogo, R. Kafando, N. Bado, T. S. M. Ky, and T. F. Bissyande, “Advanced IoT-AI Integration for Predictive Management of Positive Temperature Cold Storage Systems,” 2025, pp. 16–29. doi: 10.1007/978-3-031-96228-8_2.
R. Armiani and E. P. Agustini, “Analisa Fraud Pada Transaksi Kartu Kredit Menggunakan Algoritma Random Forest,” 2022. [Online]. Available: https://doi.org/10/25047/jtit.v9i2.297
S. Sarmini, S. Sunardi, and A. Fadlil, “Performa Random Forest dan XGBoost pada Deteksi Penipuan E-Commerce Menggunakan Augmentasi Data CGAN,” Building of Informatics, Technology and Science (BITS), vol. 6, no. 3, pp. 1919–1931, Dec. 2024, doi: 10.47065/bits.v6i3.6430.
C. Liu, Y. Chan, S. H. Alam Kazmi, and H. Fu, “Financial Fraud Detection Model: Based on Random Forest,” Int J Econ Finance, vol. 7, no. 7, Jun. 2015, doi: 10.5539/ijef.v7n7p178.
M. Fauziah and Y. F. Wijaya, “Fraud Detection Using Random Forest Classifier, Logistic Regression, and Gradient Boosting Classifier Algorithms on Credit Cards,” 2022.
U. N. W. Gerry William Mathew Kurniawan, “Pendeteksian Penipuan Menggunakan Pendekatan Metode Klasifikasi Random Forest,” in e-Proceeding of Engineering, Feb. 2025, p. 2216.
L. Rokach and O. Maimon, Data Mining with Decision Trees, vol. 81. WORLD SCIENTIFIC, 2014. doi: 10.1142/9097.
S. Nabila, A. R. Putri, A. Hafizhah, F. H. Rahmah, and R. Muslikhah, “Pemodelan Diagram UML Pada Perancangan Sistem Aplikasi Konsultasi Hewan Peliharaan Berbasis Android (Studi Kasus: Alopet),” Jurnal Ilmu Komputer dan Bisnis, vol. 12, no. 2, pp. 130–139, Nov. 2021, doi: 10.47927/jikb.v12i2.150.
