Fraud adalah suatu tindakan yang disengaja yang dilakukan oleh satu orang atau lebih dalam manajemen atau pihak yang memiliki tanggung jawab manajemen,karyawan dan pihak ketiga yang melibatkan penggunaan tipu muslihat untuk memperoleh satu keuntungan dan melanggar hukum. Di dalam dunia perbankan fraud sering terjadi dalam berbagai transaksi, oleh karena itu dibuhtukan sistem pengklasifikasian yang mampu untuk mendeteksi fraud secara akurat. Penelitian ini menggunakan dataset dari history transaksi salah satu bank di Indonesia yang mana terdiri dari 28 variabel dengan jumlah data sebanyak 13.125 record dan dataset yang dipakai merupakan imbalanced dataset .terdapat beberapa penelitian yang sudah membahas tentang klasifikasi/ pendeteksian fraud pada transaksi perbankan namun dengan jenis algoritma deep learning yang berbeda-beda.
Penelitian ini dilakukan dengan menggunakan Convolutional Neural Network (CNN). Berdasarkan hal tersebut maka pada penelitian ini akan dilakukan pengklasifikasian data fraud yang terbagi menjadi 2 kelas yaitu fraud dan non fraud (transaksi normal) dengan menggunakan arsitektur CNN 1 Dimensi serta metode Synthetic Minority Over sampling Technique (SMOTE) untuk mengatasi imbalanced class.
Tahapan keseluruhan metode yang digunakan adalah akuisisi data, pre- processing, klasifikasi dengan CNN tanpa menggunakan SMOTE dan menggunakan SMOTE dengan menggunakan kombinasi beberapa hyperparameter diantaranya adalah optimizer, learning rate, epoch dan batch size yang berbeda-beda untuk mendapatkan model terbaik. Hasil dari pengujian kedua model tersebut akan dianalisis dengan parameter perfomansi akurasi loss, recall, f- 1 score dan precision. Model terbaik untuk klasifikasi fraud pada transaksi perbankan adalah dengan menerapkan metode SMOTE dengan kombinasi hyperparameter seperti optimizer RMSProp, learning rate dengan nilai 0,0001, epoch 200 dan ukuran batch size dengan nilai 16 dan ouputnya antara lain, akurasi training sebesar 89,78%, loss training sebesar 0,2 akurasi testing sebesar 93,29% dan loss testing sebesar 0,2 serta nilai recall,precision dan f-1 score yang diperoleh lebih besar dari 84%. Penerapan metode SMOTE pada CNN memberi dampak yang signifikan dalam mengatasi imbalanced class dan mampu menghasilkan nilai performansi model yang sangat baik.
Kata kunci : Fraud, Convolutional Neural Network dan SMOTE