PENERAPAN MODEL XGBOOST DENGAN INTERPRETASI MENGGUNAKAN SHAP UNTUK DETEKSI AKTIVITAS PENCUCIAN UANG
Abstract
Deteksi pencucian uang pada data transaksi keuangan sangat kompleks karena ketidakseimbangan kelas yang ekstrem, sehingga diperlukan model yang akurat sekaligus dapat dijelaskan. Penelitian ini menerapkan algoritma eXtreme Gradient Boosting (XGBoost) untuk mengklasifikasikan transaksi normal dan transaksi laundering, serta menginterpretasikan hasil prediksi dengan SHapley Additive exPlanations (SHAP). Metode penelitian yang digunakan adalah CRISP-DM, meliputi business understanding, data understanding, data preparation, modeling, evaluation, dan deployment. Data yang digunakan merupakan dataset transaksi keuangan sintetis sebanyak 9.504.852 transaksi dengan proporsi transaksi laundering sebesar 0,10%. Feature engineering menghasilkan 25 fitur yang merepresentasikan pola transaksi, hubungan antar akun, frekuensi, dan rasio transaksi. Tiga pendekatan penanganan data tidak seimbang diuji: SMOTE, scale_pos_weight, dan kombinasi keduanya. Hasil terbaik diperoleh dengan XGBoost menggunakan scale_pos_weight, dengan accuracy 0,9996, precision 0,7796, recall 0,9018, dan F1-score 0,8363. Analisis SHAP menunjukkan receiver_fan_in dan sender_fan_out sebagai fitur paling berpengaruh dengan kontribusi kumulatif sebesar 63,09%, menegaskan bahwa pola hubungan antar akun menjadi indikator utama dalam deteksi pencucian uang.
Downloads
References
R. Dwi Putra, E. Stevany Putri Sinlae, T. Suhaila Syafa, I. Fatika Syahda, and F. Siswajanthy, “Pencegahan dan Pemberantasan Tindak Pidana Pencucian Uang Dalam Perbankan,” Al-Zayn: Jurnal Ilmu Sosial & Hukum, vol. 2, no. 1, pp. 70–80, Jun. 2024, doi: 10.61104/alz.v2i1.205.
P. Jing, Y. Gao, and X. Zeng, “A Customer Level Fraudulent Activity Detection Benchmark for Enhancing Machine Learning Model Research and Evaluation,” Apr. 2024, [Online]. Available: http://arxiv.org/abs/2404.14746
S. H. Adrian Sutedi, Hukum Perbankan: Suatu Tinjauan Pencucian Uang, Merger, Likuidasi, dan Kepailitan. Sinar Grafika, 2023.
Yunus Achmad, Yusrianto Kadir, and Marten Bunga, “Analisis Yuridis mengenai Pertanggungjawaban Pidana terhadap Pelaku Pembantu (Medeplichtige) dalam Tindak Pidana Pencucian Uang (Money Laundering),” Bhirawa Law Journal, vol. 6, no. 1, pp. 115–129, May 2025, doi: 10.26905/blj.v6i1.15567.
N. C. Sastya and I. Nugraha, “Penerapan Metode CRISP-DM dalam Menganalisis Data untuk Menentukan Customer Behavior di MeatSolution,” UNISTEK, vol. 10, no. 2, pp. 103–115, Oct. 2023, doi: 10.33592/unistek.v10i2.3079.
R. Darmawan, I. V. Yut, A. Hernando, R. I. Handayani, R. L. Pratiwi, and E. Widanengsih, “Analisis Peran Feature Engineering Pada Kinerja Model Machine Learning untuk Klasifikasi Potensi Tsunami,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 14, no. 1, Jan. 2026, doi: 10.23960/jitet.v14i1.8303.
R. Maulana, S. Eka Prastya, M. Zulfadhilah, and R. Noor Pratama, “Eksplorasi Self-disclosure Generasi Z di Second Account Instagram Menggunakan Classification Machine Learning,” Jurnal Teknologi dan Informasi, vol. 15, no. 2, pp. 147–159, Sep. 2025, doi: 10.34010/jati.v15i2.16847.
L. N. Wakhidah, A. K. Zyen, and B. B. Wahono, “Evaluation of Telecommunication Customer Churn Classification with SMOTE Using Random Forest and XGBoost Algorithms,” Journal of Applied Informatics and Computing, vol. 9, no. 1, pp. 89–95, Jan. 2025, doi: 10.30871/jaic.v9i1.8740.
Diash Firdaus, A. Afin, I. Sumardi, and C. Chazar, “Deteksi Serangan Pada Jaringan Internet Of Things Medis Menggunakan Machine Learning Dengan Algoritma XGBoost,” Cyber Security dan Forensik Digital, vol. 8, no. 1, pp. 34–42, Jun. 2025, doi: 10.14421/csecurity.2025.8.1.5036.
D. T. Murdiansyah, “Prediksi Stroke Menggunakan Extreme Gradient Boosting,” JIKO (Jurnal Informatika dan Komputer), vol. 8, no. 2, p. 419, Sep. 2024, doi: 10.26798/jiko.v8i2.1295.
W. Nugraha and M. Syarif, “Teknik Weighting untuk Mengatasi Ketidakseimbangan Kelas Pada Prediksi Churn Menggunakan XGBoost, LightGBM, dan CatBoost.,” Techno. com, vol. 22, no. 1, 2023.
V. Fu-Zhou, “A Modern Approach to Uplift Marketing: Using Artificial Intelligence to Maximize Marketing Efficiency,” 2025.
A. T. Saragih, D. Afrida, and R. F. Dinara, “Klasifikasi Jumlah Kendaraan di Sumatera Utara Dan Sumatera Barat Menggunakan Algoritma Naive Bayes,” J-Com (Journal of Computer), vol. 3, no. 1, pp. 11–16, Mar. 2023, doi: 10.33330/j-com.v3i1.2072.
A. A. Kurniawan and M. Mustikasari, “Evaluasi Kinerja MLLIB APACHE SPARK pada Klasifikasi Berita Palsu dalam Bahasa Indonesia,” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 9, no. 3, p. 489, Jun. 2022, doi: 10.25126/jtiik.2022923538.
N. Romadoni, A. M. Siregar, D. S. Kusumaningrum, and T. Rohana, “Classification Model of Public Sentiments About Electric Cars Using Machine Learning,” Scientific Journal of Informatics, vol. 11, no. 2, pp. 303–314, May 2024, doi: 10.15294/sji.v11i2.1309.
A. A. Nababan, M. Jannah, M. Aulina, and D. Andrian, “Prediksi Kualitas Udara Menggunakan XGBoost dengan Synthetic Minority Oversampling Technique (SMOTE) Berdasarkan Indeks Standar Pencemaran Udara (ISPU),” JTIK (Jurnal Teknik Informatika Kaputama), vol. 7, no. 1, pp. 214–219, Jan. 2023, doi: 10.59697/jtik.v7i1.66.
F. N. Yahya, M. Anshori, and A. N. Khudori, “Evaluasi Performa XGBoost dengan Oversampling dan Hyperparameter Tuning untuk Prediksi Alzheimer,” Techno.Com, vol. 24, no. 1, pp. 1–12, Feb. 2025, doi: 10.62411/tc.v24i1.12057.
Fatmawati and N. A. K. Rifai, “Klasifikasi Penyakit Diabetes Retinopati Menggunakan Support Vector Machine dengan Algoritma Grid Search Cross-validation,” Jurnal Riset Statistika, pp. 79–86, Jul. 2023, doi: 10.29313/jrs.v3i1.1945.
R. Rakarahayu Putri and N. Cahyono, “Analisis Sentimen Komentar Masyarakat Terhadap Pelayanan Publik Pemerintah DKI Jakarta dengan Algoritma Super Vector Machine Dan Naive Bayes,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 8, no. 2, pp. 2363–2371, Apr. 2024, doi: 10.36040/jati.v8i2.9472.
Mubaraqah, A. Puteri, and A. Sumardin, “Comparison of Random Forest and XGBoost for Diabetes Classification with SHAP and LIME Interpretation,” JTERA (Jurnal Teknologi Rekayasa), vol. 9, pp. 121–129, Nov. 2024, doi: 10.31544/jtera.v9.i1.2024.121-130.
E. Zulfa, H. Amir, R. Ginting, and S. Sudarno, “Analisis Korelasi Kesehatan Mental dan Indeks Prestasi Mahasiswa Jurusan Administrasi Niaga Politeknik Negeri Jakarta dengan Kombinasi Metode XGBoost Dan SHAP,” Jurnal Administrasi Profesional, vol. 5, no. 1, pp. 26–37, Jul. 2024, doi: 10.32722/jap.v5i1.6923.
R. O. Alabi, M. Elmusrati, I. Leivo, A. Almangush, and A. A. Mäkitie, “Machine learning explainability in nasopharyngeal cancer survival using LIME and SHAP,” Sci. Rep., vol. 13, no. 1, p. 8984, Jun. 2023, doi: 10.1038/s41598-023-35795-0.
E. Mosca, F. Szigeti, S. Tragianni, D. Gallagher, and G. Groh, “SHAP-Based Explanation Methods: A Review for NLP Interpretability,” in Proceedings of the 29th International Conference on Computational Linguistics, N. Calzolari, C.-R. Huang, H. Kim, J. Pustejovsky, L. Wanner, K.-S. Choi, P.-M. Ryu, H.-H. Chen, L. Donatelli, H. Ji, S. Kurohashi, P. Paggio, N. Xue, S. Kim, Y. Hahm, Z. He, T. K. Lee, E. Santus, F. Bond, and S.-H. Na, Eds., Gyeongju, Republic of Korea: International Committee on Computational Linguistics, Oct. 2022, pp. 4593–4603. [Online]. Available: https://aclanthology.org/2022.coling-1.406/
B. Oztas, D. Cetinkaya, F. Adedoyin, M. Budka, H. Dogan, and G. Aksu, “Enhancing Anti-Money Laundering: Development of a Synthetic Transaction Monitoring Dataset,” in 2023 IEEE International Conference on e-Business Engineering (ICEBE), 2023, pp. 47–54. doi: 10.1109/ICEBE59045.2023.00028.
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
