Financial fraud menimbulkan ancaman serius bagi bisnis, berdampak pada pendapatan, keakuratan pelaporan keuangan, dan reputasi perusahaan secara keseluruhan. Untuk memerangi masalah ini, para peneliti telah mengeksplorasi berbagai metode, dengan teknik kecerdasan buatan (AI) dan pembelajaran mesin (ML) menunjukkan hasil yang menjanjikan. Khususnya, metode unsupervised seperti deteksi anomali menggunakan Robust Random Cut Forest (RRCF) telah mendapat perhatian karena kemampuannya mengidentifikasi peristiwa langka atau tidak biasa.
Penelitian ini menyajikan studi kasus tentang pengembangan sistem deteksi fraud untuk Perusahaan XYZ di Indonesia. Fokus studi terletak pada fraud transaksi keuangan, jenis fraud korporasi, dan memanfaatkan teknik unsupervised learning untuk deteksi anomali. RRCF digunakan sebagai metode utama karena akurasi yang lebih tinggi dalam mendeteksi anomali.
Penelitian dimulai dengan tinjauan literatur yang komprehensif tentang metodologi deteksi fraud keuangan, dengan menekankan potensi unsupervised learning untuk penelitian di masa depan. Selanjutnya, persyaratan sistem dikumpulkan melalui wawancara, memastikan sistem selaras dengan kebutuhan pengguna.
Arsitektur sistem deteksi fraud yang diusulkan melibatkan pembuatan layanan yang terhubung ke sistem yang ada melalui API. Algoritma RRCF digunakan untuk membuat model dari data transaksi keuangan historis, memungkinkan sistem untuk mendeteksi anomali secara real-time.
Hasil eksperimen menunjukkan efektivitas metode RRCF, dengan rata-rata 29 kasus fraud potensial yang terdeteksi dalam 1000