Bank adalah salah satu industri keuangan. Sebagai industri keuangan yang melayaninasabah, ada risiko yang terjadi pada bank. Salah satu risiko yang sering terjadi danmenyebabkan kerugian di bank adalah fraud dalam bentuk skimming pada transaksi tariktunai ATM. Penelitian ini dilakukan untuk mengetahui pemodelan data mining yangdapat digunakan untuk mendeteksi fraud skimming di salah satu bank. Tujuan daripenelitian ini adalah memberikan referensi dalam mencari pemodelan deteksi fraud.Karakteristik data yang digunakan adalah imbalanced data karena data transaksi fraudsangat kecil dibandingkan dengan data transaksi normal. Metode yang digunakan padapenelitian ini adalah tinjauan pustaka, wawancara dan eksperimen terhadap teknikmachine learning. Pembentukan model pada penelitian ini dilakukan denganmengimplementasikan kombinasi dari penggunaan feature selection dan tanpa featureselection, penggunaan SMOTE dan tanpa SMOTE, serta penggunaan feature engineeringdan tanpa feature engineering dengan jarak dan jeda transaksi sehingga diperoleh delapanscenario dari hasil kombinasi. Hasil dari penelitian ini menunjukkan bahwa dari seluruhskenario yang diuji coba, algoritma Extreme Gradient Boosting merupakan algoritmaterbaik dalam menghasilkan model deteksi fraud. Skenario terbaik yang dihasilkan adalahskenario dengan mengimplementasikan ketiga teknik sekaligus yaitu feature selection,SMOTE dan feature engineering dengan jarak dan jeda transaksi. Berdasarkan hasilevaluasi model, pembentukan model dengan feature engineering dengan jarak dan jedatransaksi dapat meningkatkan performa model klasifikasi.

---

Bank is one of financial industry. As a financial industry that serve customers, bank is

potentially exposed to risk. One of potentially risk that making loss in bank is fraud in

form of skimming on ATM transaction. This study is conducted to know data mining

modelling that can be used to detect skimming fraud in a bank. The purpose of this study

is to provide reference in looking for fraud detection modelling. The characteristics of the

data used in this study is imbalanced data since fraud transaction data is very small

compared to normal transaction data. The method used in this study is the literature

review, semi-structured interviews, and experiments on machine learning techniques.

Creating model on this study is conducted by implementing combination of three used

techniques namely feature selection, SMOTE, and feature engineering with distance and

transaction lag. There are eight scenarios used in this study that were tested and analyzed

the results according to the needs of the case study research. The results of this study

indicate that the Extreme Gradient Boosting algorithm can identify fraudulent

transactions. The best scenario is a scenario by creating a model that implements feature

selection, SMOTE to handle imbalanced data, and feature engineering with distance and

transaction lag. Based on model evaluation, model generation by implementing feature

engineering with distance and transaction lag can improve performance of classification

model.