Financial services merupakan sebuah sektor yang bergerak di bidang layanan
keuangan dengan tujuan memudahkan masyarakat mengelola aset keuangannya.
Dalam kurun waktu tahun 2017 hingga 2021, tercatat bahwa kasus kejahatan di
sektor keuangan mengalami kenaikan dari 370.916 kasus menjadi 1.686.121 kasus.
Salah satu penyebab terjadinya kejahatan tersebut adalah pada penipuan transaksi
pelanggan. Cara yang dapat dilakukan untuk mengatasi masalah tersebut adalah
dengan melakukan deteksi di setiap transaksi. Deteksi transaksi yang dilakukan
secara manual dan konvensional rawan terjadi human error. Selain itu, semakin
berkembangnya data juga membuat deteksi secara manual menjadi tidak efektif.
Penelitian ini mengusulkan sebuah metode untuk mendeteksi transaksi di
sebuah financial services. Deteksi fraud dilakukan menggunakan teknik stacking
ensemble learning. Peneliti akan mengkombinasikan tiga algoritma machine
learning, yaitu Support Vector Machine (SVM), Logistic Regression (LR), dan k-
Nearest Neighbour (kNN). Sedangkan algoritma stacking ensemble learning yang
digunakan yaitu Random Forest. Untuk kasus fraud detection, terjadi
ketidakseimbangan kelas antara kelas fraud dan kelas non-fraud. Metode SMOTE
digunakan untuk mengatasi masalah ketidakseimbangan kelas pada dataset.
Hasil pengujian dilakukan menggunakan confusion matrix. Hasil
membuktikan bahwa dengan menggunakan stacking ensemble learning dapat
meningkatkan akurasi deteksi model dasar, yaitu sejumlah 0,14% untuk LR, 0,47%
untuk SVM, dan 0,13% untuk kNN. Hasil performa stacking ensemble learning
memiliki akurasi sebesar 99,78%, presisi sebesar 99,81%, recall sebesar 99,96%, dan f1-score sebesar 99,88%.