Analisis Fraud Detection Menggunakan Machine Learning pada Sistem Akuntansi Modern

Abstract

Perkembangan transformasi digital dalam bidang akuntansi telah meningkatkan efisiensi pengelolaan transaksi keuangan, namun di sisi lain juga memperbesar risiko terjadinya kecurangan (fraud) yang semakin kompleks dan sulit dideteksi melalui metode audit konvensional. Penelitian ini bertujuan untuk menganalisis penerapan algoritma Machine Learning dalam mendeteksi indikasi fraud pada sistem akuntansi modern secara lebih cepat, akurat, dan adaptif terhadap pola transaksi yang dinamis. Metode penelitian menggunakan pendekatan kuantitatif dengan memanfaatkan data transaksi keuangan yang telah diklasifikasikan ke dalam kategori fraud dan non-fraud. Tahapan penelitian meliputi proses data preprocessing, seleksi fitur, pelatihan model, serta evaluasi kinerja menggunakan beberapa algoritma Machine Learning, seperti Logistic Regression, Random Forest, dan Extreme Gradient Boosting (XGBoost). Kinerja model dievaluasi berdasarkan metrik akurasi, presisi, recall, dan F1-score untuk menentukan algoritma yang paling efektif dalam mendeteksi transaksi mencurigakan. Hasil penelitian menunjukkan bahwa pendekatan Machine Learning mampu mengidentifikasi pola anomali dan indikasi fraud dengan tingkat akurasi yang tinggi dibandingkan metode berbasis aturan (rule-based system). Selain itu, model yang dikembangkan mampu mengurangi tingkat kesalahan deteksi serta meningkatkan kemampuan sistem dalam mendukung proses pengambilan keputusan audit. Temuan ini menunjukkan bahwa integrasi Machine Learning pada sistem akuntansi modern dapat menjadi solusi yang efektif untuk memperkuat pengendalian internal dan mitigasi risiko fraud di era digital.