Pada era digitalisasi, transaksi yang mencurigakan di rekening bank berdampak serius terhadap kepentingan pedagang dan nasabah bank. Fraud detection adalah salah satu upaya pencegahan terhadap kecurangan tersebut diatasi dengan deteksi pola-pola yang mencurigakan dari suatu transaksi. Pada penelitian ini dilakukan deteksi kecurangan(fraud detection) menggunakan algoritma Random Forest terhadap dataset transaksi bank yang telah diolah oleh aplikasi Solve Ease Fraud Investigation System (SEFIS). Algoritma Random Forest digunakan karena beberapa kasus yang dilakukan oleh peneliti sebelumnya menunjukkan algoritma Random Forest dapat mengelola permasalahan fraud detection dengan baik. Kontribusi utama pada penelitian ini adalah penerapan machine learning dengan model algoritma Random Forest pada data transaksi bank khususnya di indonesia untuk mendeteksi kecurangan yang terjadi dengan secara menyeluruh. Dataset yang digunakan adalah dataset transaksi bank yang telah diolah oleh aplikasi Solve Ease Fraud Investigation System (SEFIS) dengan karakteristik data tidak seimbang(imbalance). Untuk setiap imbalance data, kami melakukan penanganan menyeimbangkan data (Balancing) menggunakan Random UnderSampling (RUS). kami melakukan ujicoba dengan melakukan komparasi terhadap data yang dilakukan balancing menggunakan RandomUndersampling dengan hasil Accuracy = 0.9927, Precision = 0.9799, Recall = 0.9949, Specificity = 0.9999, F1-Score = 0.9873 dan data yang tidak dilakukan balancing dengan hasil Accuracy = 0.9986, Precision = 0.9947, Recall = 0.8732, Specificity = 0.9999, F1-Score = 0.9300.
Kata Kunci: Fraud Detection, Bank, Random Forest, Random Under Sampling, Imbalance Data