Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dalam menjalankan bisnisnya, perusahaan telekomunikasi di sektor fixed broadband seringkali mengalami kebocoran pendapatan signifikan. Diantara beberapa penyebab kebocoran pendapatan, fraud merupakan faktor kebocoran yang memiliki dampak terbesar terhadap finansial dan citra perusahaan. Salah satu upaya untuk meminimalkan fraud dengan mendeteksi fraud yang dilakukan oleh pelanggan. Oleh karena itu, tujuan penelitian ini merancang classification model menggunakan machine learning untuk diaplikasikan terhadap sistem fraud detection. Classification model akan dibangun menggunakan supervised machine learning yang bertujuan untuk memprediksi kelas tertentu berdasarkan data historis yang didapatkan. Dalam penelitian ini, beberapa beberapa algoritme machine learning akan dibandingkan diantaranya logistic regression, decision tree, random forest, dan backpropagation neural network. Selain itu, dalam kasus fraud detection, data historis yang didapatkan memiliki perbandingan antar kelas yang tidak seimbang sehingga dibutuhkan pra-proses data balancing. Pada penelitian ini, data balancing dilakukan dengan oversampling berbasis Adaptive Synthetic (ADASYN). Hasil penelitian ini menunjukkan backpropagation neural network memiliki performa terbaik diantara algoritma lainnya. Selain itu didapatkan seluruh algoritme memiliki indikator performa diatas 90% menunjukkan pada kasus fraud detection di sektor fixed broadband, machine learning bekerja dengan akurat.

---

In running their business, telecommunications companies in the fixed broadband sector often experience significant revenue leakage. Among several causes of revenue leakage, fraud is the leakage factor that has the most significant impact on finances and corporate image. One of the efforts to minimize fraud is to detect fraud committed by customers. Therefore, this study aims to design a classification model using machine learning to be applied to the fraud detection system. The classification model will be built using supervised machine learning, which aims to predict certain classes based on historical data. Several machine learning algorithms will be compared in this study, including logistic regression, decision tree, random forest, and backpropagation neural network. In addition, in fraud detection, the historical data obtained has an unbalanced comparison between classes, so pre-processing data balancing is needed. In this research, data balancing is done by using Adaptive Synthetic (ADASYN) based oversampling. The results of this study indicate that the backpropagation neural network has the best performance among other algorithms. In addition, it is found that all algorithms have performance indicators above 90%, indicating that in the case of fraud detection in fixed broadband sector, machine learning works accurately."

"Rencana Pitalebar Indonesia (RPI) 2014-2019 melalui PP. Nomor 96 Tahun 2014 merupakan cita-cita pemerintah mewujudkan Indonesia yang terkoneksi ke jaringan internet dengan target penetrasi 71% (urban) dan 49% (rural) terhadap rumah tangga untuk fixed broadband pada tahun 2019. Pengembangan broadband di Indonesia masih terfokus pada mobile broadband, padahal kecepatan broadband ditopang oleh fixed broadband. Salah satu solusi teknologi masa depan fixed broadband yaitu Fiber to The Home (FTTH). Namun, tantangan dalam implementasi fixed broadband adalah tingginya biaya komponen pasif sehingga meningkatkan risiko investasi. Pada penelitian ini dilakukan analisis terhadap model penyelenggaraan fixed broadband yang dibangun berdasarkan skenario pendanaan broadband menggunakan kajian tekno ekonomi dan analisis risiko. Analisis dilakukan dari sudut pandang Operator Company (OpCo), Network Company (NetCo), dan Pemerintah selaku stakeholder pada daerah penelitian Balikpapan (sub-urban), Denpasar (urban), dan Tangerang Selatan (dense-urban). Kajian kelayakan penyelenggaraan fixed broadband menunjukkan bahwa untuk OpCo dapat menggunakan skenario sewa komponen pasif kepada NetCo dan melakukan investasi pada perangkat aktif saja. Sedangkan, NetCo dapat menggunakan skenario sharing cost antara NetCo, subsidi pemerintah, atau gabungan dari kedua skenario untuk mereduksi biaya investasi. Agar dapat mendatangkan manfaat bagi Pemerintah Daerah, kontribusi subsidi yang dilakukan tidak hanya dibebankan pada Pemerintah Daerah.

---

Indonesia Broadband Plan (IBP) 2014-2019 through PP. No. 96 Year 2014 is to realize the government's goal that Indonesia are connected to the Internet with network penetration target of 71% (urban) and 49% (rural) compared to households for fixed broadband in 2019. The development of broadband in Indonesia is still focused on mobile broadband. Actually, broadband speeds is supported by fixed broadband. One of fixed broadband future-proof solution technology is Fiber to The Home (FTTH). However, the challenges in the implementation of fixed broadband is the high cost of passive components that increase the risk of investment.

In this research, analysis of the implementation models of fixed broadband is built based on broadband funding scheme using techno economic assessment and risk analysis. The analysis is done from point of view: Operator Company (OpCo), Network Company (NetCo), and the Government as stakeholders in the research area; Balikpapan (sub-urban), Denpasar (urban), and Tangerang Selatan (dense-urban).

Feasibility studies showed that the implementation of fixed broadband from OpCo?s view can use the lease passive components scenario at NetCo and investing in active devices only. Meanwhile, NetCo can use cost sharing between them, government grant, or a combination of both scenarios to reduce investment costs. In order to bring benefits to the Local Government, the contribution of grant do not only charged on Local Government."

"Tesis ini membahas prediksi penggunaan fixed broadband pada tahun 2025, karena target jumlah penetrasi pengguna Fixed Broadband yang belum tercapai pada tahun 2014. Melalui pendekatan Technology Acceptance Model serta memprediksi pengguna fixed broadband di Indonesia menggunakan data runtun waktu. Pendekatan yang digunakan dalam penelituan ini adalah pendekatan penelitian kuantitatif asosiatif, serta prediksi menggunakan model ARIMA. Hasil penelitian menunjukkan bahwa keinginan menggunakan fixed broadband sangat dipengaruhi oleh sikap dan persepsi kegunaan (manfaat) fixed broadband. Oleh sebab itu disarankan agar dalam memasarkan produk-produk fixed broadband menonjolkan fitur manfaat yang dapat mendorong sikap positif terhadap fixed broadband. Sehingga dapat dihasilkan jumlah pengguna Fixed Broadband mencapai 13 juta pengguna pada akhir tahun 2025 dengan tingkat penetrasi sebesar 70,45% berdasarkan data tahun 2017-2025. Disamping itu agar prediksi pengguna fixed broadband dapat dilakukan dengan baik, pada penelitian selanjutnya disarankan untuk melakukan prediksi terhadap penetrasi fixed broadband menggunakan faktor-faktor tingkatan ekonomi dan sosial seseorang, lingkungan politik, ekonomi, sosial dan budaya serta tahapan ketersediaan jaringan kabel yang diperlukan.

---

This thesis discusses the use of fixed broadband in 2025, because the penetration target of Fixed Broadband users has not been achieved in 2014. The Technology Acceptance Model approach and predicts fixed broadband users in Indonesia uses time series data. The approach used in this research is an associative quantitative approach, and predictions using the ARIMA model. The results show that the desire to use fixed broadband is largely determined by attitudes and perceptions of the usefulness (benefits) of fixed broadband. Therefore, it is recommended that in marketing fixed broadband products highlight features that can encourage a positive fixed broadband attitude. So that the number of Fixed Broadband users can reach 13 million users by the end of 2025 with a penetration rate of 70.45% based on 2017-2025 data. In addition, so that fixed broadband predictions can be made well, in future research it is recommended to predict fixed broadband penetration using factors such as one's economic and social level, political, economic, social and cultural environment as well as the availability of the required network."

"Sektor perikanan Indonesia merupakan salah satu sektor penting bagi kemajuan perekonomian Indonesia dikarenakan Indonesia yang memiliki luas laut yang sangat besar dan SDA ikan yang berlimpah. Namun, sampai saat ini perdagangan ikan ilegal masih sering terjadi di kalangan nelayan yang biasanya dilakukan di atas kapal walaupun sudah ada petugas pengawas. Untuk mengatasi masalah ini perlu adanya sistem pengawasan dengan menggunakan kamera CCTV dan artificial intelligence di atas kapal dengan harapan dapat mengurangi resiko kecurangan petugas setempat dan meningkatkan efektivitas pengawasan penangkapan ikan. Penelitian ini berfokus untuk mencari model dengan menyesuaikan beberapa hyperparameter untuk mendapatkan hasil yang terbaik dengan menggunakan algoritma YOLOv6 untuk object detection dan YOLOv8 untuk segmentation. Penelitian ini mendapatkan model terbaik untuk object detection menggunakan YOLOv6 dengan nilai mAP @0,5 sebesar 0,833, mAP @0,5-0,95 sebesar 0,63, F1-score sebesar 0,861 dan FPS 92 dan segmentation menggunakan YOLOv8 menghasilkan nilai mAP mask @0,5 sebesar 0,804, mAP mask @0,5-0,95 sebesar 0,426, mAP box @0,5 sebesar 0,843, dan mAP box @0,5-0,95 sebesar 0,561. Kedua versi YOLO tersebut dapat mengklasifikasi jenis ikan yang ditangkap oleh nelayan dengan harapan dapat mempermudah proses pencatatan dan penyimpanan data hasil penangkapan ikan.

---

The Indonesian fisheries sector is one of the important sectors for the progress of the Indonesian economy because Indonesia has a very large sea area and abundant fish resources. However, until now illegal fish trade is still common among fishermen, which is usually carried out on boats even though there are supervisors. To overcome this problem, it is necessary to have a surveillance system using CCTV cameras and artificial intelligence on board so that it will reduce the risk of fraud by local officers and increase the effectiveness of fishing supervision. This research focuses on finding a model by adjusting several hyperparameters to get the best results using the YOLOv6 algorithm for object detection and YOLOv8 for segmentation. This study found the best model for object detection using YOLOv6 with a mAP @0.5 value of 0.833, mAP @0.5-0.95 of 0.63, F1-score of 0.861 and FPS 92 and segmentation using YOLOv8 produces a mAP mask value @0.5 is 0.804, mAP mask @0.5-0.95 is 0.426, mAP box @0.5 is 0.843, and mAP box @0.5-0.95 is 0.561. The two YOLO versions can classify the types of fish caught by fishermen in the hope of facilitating the process of recording and storing data on fishing results."

"Kemajuan teknologi di era digital telah mempermudah akses informasi melalui internet, namun juga meningkatkan risiko penipuan digital. WhatsApp menjadi salah satu platform utama yang rawan terhadap penyebaran pesan penipuan. Dalam konteks ini, penelitian bertujuan untuk mengembangkan sistem klasifikasi pesan WhatsApp yang efektif dan efisien dalam Bahasa Indonesia guna melindungi pengguna dari penipuan digital. Model yang digunakan dalam penelitian ini adalah LSTM, Bi-LSTM, dan Bi-LSTM dengan Optimasi Bayesian. Data yang digunakan adalah dataset pesan dalam Bahasa Indonesia yang telah melalui proses pre-processing dan dibagi menjadi data training dan validation dengan rasio 15%, 20%, dan 30%. Seluruh model dilatih menggunakan parameter batch size 64, epochs 30, dan optimizer Adam. Hasil penelitian menunjukkan bahwa model Bi-LSTM dengan Optimasi Bayesian memiliki akurasi terbaik pada data split 15% sebesar 93%, sementara Bi-LSTM dan LSTM masing-masing mencapai akurasi terbaik sebesar 92% dan 91%. Pengembangan prototype sistem berhasil diintegrasikan dengan WhatsApp Web Client menggunakan library whatsapp-web.js, memungkinkan prediksi tipe pesan dan tingkat akurasi ditampilkan langsung di terminal command. Penelitian ini memberikan kontribusi signifikan dalam meningkatkan keamanan digital dan efisiensi komunikasi dengan mengidentifikasi pesan penipuan secara efektif

---

Technological advancements in the digital era have facilitated access to information via the internet but have also increased the risk of digital fraud. WhatsApp has become one of the primary platforms vulnerable to the spread of fraudulent messages. In this context, this study aims to develop an effective and efficient WhatsApp message classification system in Indonesian to protect users from digital fraud. The models used in this study are LSTM, Bi-LSTM, and Bi-LSTM with Bayesian Optimization. The data used is a dataset of messages in Indonesian that have undergone pre-processing and split into training and validation data with ratios of 15%, 20%, and 30%. All models were trained using a batch size of 64, 30 epochs, and the Adam optimizer. The results showed that the Bi-LSTM model with Bayesian Optimization achieved the highest accuracy with a 15% data split at 93%, while the best Bi-LSTM and LSTM models achieved 92% and 91% accuracy, respectively. The prototype system development successfully integrated with the WhatsApp Web Client using the whatsapp-web.js library, allowing message type predictions and accuracy levels to be displayed directly in the command terminal. This study provides a significant contribution to enhancing digital security and communication efficiency by effectively identifying fraudulent messages."

"Industri asuransi merupakan industri yang besar dan terus berkembang di Indonesia. Di tambah lagi, semakin banyak masyarakat Indonesia yang terlindungi oleh asuransi pada tahun 2022. Di samping itu, meningkatnya nasabah asuransi juga dapat meningkatkan risiko terjadinya fraud atau kecurangan pada setiap klaim yang dilakukan nasabah. Hal tersebut dapat menyebabkan kerugian bagi perusahaan asuransi. Maka dari itu, dibutuhkan suatu metode yang dapat menyelesaikan masalah fraud klaim asuransi. Namun, permasalahan fraud ini melibatkan data yang besar sehingga dibutuhkan metode yang dapat memproses data besar dengan cepat dan tidak membutuhkan dana yang besar. Machine learning diajukan sebagai metode untuk dapat mendeteksi fraud klaim asuransi dan telah digunakan dalam beberapa penelitian untuk penyelesaian masalah tersebut. Extreme Gradient Boosting (XGBoost) merupakan salah satu metode machine learning yang banyak digunakan, pertama kali diajukan sebagai model yang scalable sehingga dapat memproses data besar secara efisien. Namun, metode machine learning sebaiknya adalah model yang interpretable dan explainable. Dengan memiliki interpretability dan explainability, suatu model dapat digunakan dan dimengerti dengan baik sehingga sangat reliabel. Oleh karena itu, Approximating XGBoost diajukan sebagai metode yang dapat memungkinkan XGBoost yang terdiri dari banyak boosted Decision Tree dapat diekstrak menjadi satu Decision Tree saja sehingga model ini dapat diinterpretasikan secara transparan mengenai pekerjaan model tersebut dalam mendapatkan hasil yang dikeluarkan. Penelitian ini menemukan bahwa kinerja dari model Approximating XGBoost dapat mendeteksi fraud dengan AUC-ROC mencapai nilai 91,44%, pada specificity dapat mencapai 86,55%, dan pada sensitivity dapat mencapai 91,34% berdasarkan dataset yang digunakan. Artinya, model Approximating XGBoost dapat membentuk suatu model yang performanya mengaproksimasi XGBoost dan dapat model pohonnya dapat ditampilkan seperti Decision Tree.

---

The insurance industry is a big and growing industry in Indonesia. Moreover, more and

more Indonesians will be covered by insurance by 2022. In addition, increasing the

number of insurers can also increase the risk of fraud or fraud in any claim made by the

insurer. So from that, we need a method that can solve the problem of insurance claims

fraud. However, this problem of fraud involves big data so it requires a method that can

process big data quickly and does not require large funds. Machine learning was proposed

as a method to detect insurance claims fraud and has been used in some research to solve

such problems. Extreme Gradient Boosting (XGBoost) is one of the most widely used

machine learning methods, first proposed as a scalable model to process big data

efficiently. However, machine learning methods are preferably models that are

interpretable and explainable. By having interpretability and explainability, a model can

be used and understood well so it is highly reliable. Therefore, Approximating XGBoost

was proposed as a method that could enable XGBoost consisting of many boosted

decision trees to be extracted into a single decision tree only so that this model can be

interpreted transparently about the work of the model in obtaining the outcome issued.

This study found that the performance of the Approximating XGBoost model can detect

fraud with an AUC-ROC of 91.44%, specificity can reach 86.55%, and sensitivity can

91.34% based on the data set used. In other words, the XGBoost Approximating model

can form a model whose performance approximates XGBuost and the tree model can be

displayed like a Decision Tree."

"Penipuan atau kecurangan (fraud) adalah suatu kategori kejahatan yang umum, melibatkan perorangan atau kelompok individu yang dengan curang memperoleh properti atau beberapa keuntungan keuangan dengan melakukan penipuan. fraud mempengaruhi dan menjadi perhatian tertentu karena hal tersebut akan mengakibatkan kerugian yang besar bagi korbannya. Strategi atau teknik yang digunakan untuk mengatasi penipuan atau kecurangan bermacam-macam. Pengembangan claim bidang teknologi telah membuat teknik yang memungkinkan pendeteksian penipuan proaktif yang bare. Satu pendekatan yang meaggunakan teknologi yang nampak lebih efektif dalam mendeteksi kecurangan terhadap organisasi adalah suatu kombinasi dari pertimbangan yang deduktip dan teknologi. Dalam penulisan tesis ini coba dikembangkan dan diterapkan suatu sistem informasi untuk mendeteksi dan mencegah terjadinya fraud pada suatu sistem inventori, yang dalam hal ini terdapat pada suatu industri pengepakan. Dalam pembentukan sistem informasi ini diterapkan langkah-langkah strategi untuk pendeteksian fraud yang terdiri atas pemahaman terhadap sistem atau unit, pengidentifikasian terhadap fraud yang mungkin terjadi, mengumpulkan gejala-gejala dari fraud dalam suatu daftar, pengumpulan data-data yang yang terkait dengan gejala fraud tersebut, dan pembuatan suatu program komputer yang merupakan basil akhir, yang dapat menganalisis secara otomatis untuk mendeteksi terjadinyafraudtersebut. Dan penerapan program yang dibuat (secara simulasi) kepada sistem yang ada pads industri yang diuji, maka didapat beberapa gejala fraud yang terdeteksi yang dapat dianggap sebagai fraud yang berupa: Perencanaan pembelian atas material yang jarang digunakan, sehingga nantinya material tersebut akan menjadi deadstock dan dijual dengan harga yang rendah. Penghapusan material yang bernilai dan masih berguna akibat adanya kesalahan pencatatan material yang sudah rusak (deadstock) kesalahan pengambilan stok material, dan tidak melakukan penyesuaian terhadap arsip dari material tersebut. Pemberian insentif yang tidak seharusnya, karena adanya kesalahan perhitungan waste. Sistem ini nantinya dapat digunakan secara periodik yang berfungsi untuk mendeteksi kesalahan-kesalahan yang merupakan gejala sebelum fraud yang dapat menimbulkan kerugian yang besar terjadi.

---

Fraud is a common crime involving individual or group of individual who illegally obtain properties or financial benefit by mean of deception. This crime has caused siginificant losses to both private companies and especially goverment companies. Although a lot techniques and strategies have been developed and implemented to deal with this crime, it is perfectly clear that a new proactive technology-based strategy is still desperately needed.

In this paper, we tried to develop a new information system capable of detecting and preventing fraud in an inventory system, which in this case is a packaging industry. Several steps and strategies are implemented in this fraud detection system: a firm understanding of implemented unit or system, identification of all possible fraud, identification of sign of fraud (symptoms), listing of claim associated with the sign of fraud, and finally a development of a computer program capable of automatically detecting the fraud.

In the simulation of this system in the tested industry, several signs of frauds were detected: Planning to purchase very varely used materials, so that materials will be considered deadstock and sold at much lower price, Unlisting of valuable stock Iesulting from mistake in the listing of dcadstock, Incorrect stock material taking, due to inaccurate material archieves, Inappropriate incentive due to mistake in waste calculation. This system will be used periodically to detect and prevent fraud before it significant losses."

"Jumlah pengguna internet selalu bertambah setiap tahunnya. Banyak perusahaan internet service provider (ISP) yang senantiasa menjaga base customer agar tidak berpindah ke provider kompetitor lain. Banyak hal yang dapat mempengaruhi tingkat loyalitas pelanggan terhadap provider. Model kerangka konseptual pada penelitian ini berfokus pada tiga hal, yaitu dimensi service quality pada ISP, cognitive dan affective evaluations, dan loyalitas sebagai output pada penelitian ini. Penelitian ini bersifat kuantitatif, dengan menggunakan metode survey secara online via google docs untuk mendapatkan data 10 konstruk yang ada pada conceptual model. Responden yang dipilih adalah responden pengguna internet Indihome. Terdapat 476 data untuk dilakukan dianalisis lebih lanjut. Hubungan antar berbagai konstruk pada conceptual model kemudian diuji Confirmatory Factor Analysis (CFA) dan Structural Equation Modeling (SEM). Network quality menduduki peringkat pertama yang mempengaruhi ISPs service quality, ISPs service quality berpengaruh signifikan dan positif terhadap cognitive dan affective evaluation, cognitive dan affective evaluation berpengaruh signifikan dan positif terhadap customer loyalty, serta customer commitment berpengaruh paling dominan dalam memdiasi hubungan antara ISPs service quality terhadap customer loyalty.

---

The number of internet users is always increasing by years. Many internet service provider (ISP) companies are always looking after their customer base in order to make them will not switch to other competitos providers. Many factors can affect loyalty to the provider. The conceptual framework model in this study focuses on three key areas, (1) the dimensions of service quality in ISPs, (2) cognitive and affective evaluations, and (3) loyalty as an output in this study. This research is quantitative study, using online survey methods via Google Docs to obtain data on 10 constructs in the proposed conceptual model. The selected respondents were Indihome internet user. During the test, 476 data were obtained to further analysis. The relationship between various constructs in the conceptual model were tested using Confirmatory Factor Analysis (CFA) and Structural Equation Modeling (SEM). The findings confirm that network quality is the first rank on ISPs service quality, ISPs service quality has a significant and positive effect on cognitive & affective evaluation, cognitive & affective evaluation have a significant and positive effect on customer loyalty and customer commitment is the highest effect on mediating the relationship between ISPs service quality and customer loyalty."

"Ketidakpuasaan Pelanggan menjadi opportunity lost bagi operator telekomunikasi pada layanan fixed broadband dalam melakukan ekspansi pasar. Permasalahan dalam ketidakpuasan pelanggan menunjukan perancangan kriteria yang digunakan dalam program loyalti yang diberikan kepada pelanggan masih kurang tepat. Penelitian ini bertujuan untuk merancang kriteria kepuasan pelanggan pada operator telekomunikasi dalam layanan fixed broadband. Penelitian ini menggunakan metode DEMATEL-based ANP (DANP) dan Simple Additive Weighting (SAW) untuk mendapatkan program loyalti yang paling sesuai dengan kriteria kepuasan pelanggan. Penelitian ini menghasilkan 5 dimensi dan 22 kriteria kepuasan pelanggan pada operator telekomunikasi dalam layanan fixed broadband, dimana dimensi yang paling mempengaruhi adalah resource dan dimensi yang paling dipengaruhi adalah relationship. Program loyalty terbaik pada operator telekomunikasi untuk layanan fixed broadband di PT X adalah High Value Customer (HVC), sedangkan program loyalti terburuk adalah Aplikasi Pelanggan.

---

Customer dissatisfaction is an opportunity lost for telecommunications operators in fixed broadband services in expanding its market, it is indicating that the criteria used in designing the loyalty program that being provided to customer are still less precise. This research aims to provide recommendations for telecommunications operator loyalty programs for fixed broadband services based on customer satisfaction’s criteria. This research uses DEMATEL-Based ANP (DANP) and Simple Additive Weighting (SAW) method to get assessment of loyalty program that best fits the customer satisfaction’s criteria. This research resulted in 5 dimensions and 22 criteria of customer satisfaction for telecommunications operators in fixed broadband services, where the dimension that most influences is resource and the dimension that is most influenced is relationship. The best loyalty program for telecommunications operators in fixed broadband services at PT X is High Value Customer (HVC), while the worst loyalty program is Customer Application."

"Jenis usaha perasuransian PT XYZ dibagi menjadi dua yaitu asuransi kesehatan dan asuransi jiwa. Salah satu risiko yang terjadi dan berdampak pada kerugian perasuransian adalah kecurangan atau fraud yang dilakukan pihak tertentu untuk memperoleh keuntungan sepihak. Penelitian ini dilakukan untuk membuat pemodelan data mining yang digunakan untuk mendeteksi fraud pada asuransi kesehatan. Tujuan dari penelitian ini adalah memperoleh algoritma model berbasis data mining yang dapat mendeteksi fraud pada transaksi klaim peserta di PT XYZ. Karakteristik data yang digunakan bersifat imbalanced, karena jumlah data fraud yang digunakan tidak sebesar jika dibandingkan dengan data yang bersifat normal. Pembentukan model pada penelitian ini dilakukan dengan 32 skenario, dengan hasil terbaik skenario dengan penerapan feature engineering, feature selection, oversampling dan uji validasi menggunakan 20­-fold cross validation. Adapun hasil dari skenario tersebut menghasilkan algoritma random forest yang memiliki nilai akurasi paling baik yaitu 99,3% dengan didukung oleh nilai presisi, recall, dan f1 scores masing-masing, 99,3%, 99,3%, dan 99,3%. Hasil akhir dari penelitian ini memperlihatkan bahwa teknik feature engineering dengan penambahan atribut is_dr_speciality, memiliki kontribusi terhadap nilai akurasi model.

---

The type of insurance business of PT XYZ is divided into two, namely health insurance and life insurance. One of the risks that occur and impact insurance losses is fraud committed by certain parties to obtain unilateral benefits. This research was conducted to create a data mining model used to detect fraud in health insurance. The purpose of this study is to obtain a data mining-based model algorithm that can detect fraud in participant claims transactions at PT XYZ. The characteristics of the data used are imbalanced because the amount of fraud data used is not as much as compared to normal data. The model formation in this study was carried out with 32 scenarios, with the best results being the scenario by applying feature engineering, feature selection, oversampling, and validation tests using 20-fold cross-validation. This scenario resulted in the random forest algorithm having the best accuracy value of 99.3%, supported by precision, recall, and f1 scores, 99.3%, 99.3%, and 99.3%. The final result of this study shows that the feature engineering technique with the addition of the is_dr_speciality attribute has contributed to the model's accuracy value."