ANALISIS KOMPARATIF XGBOOST DAN CATBOOST TEROPTIMASI BAYESIAN UNTUK DETEKSI ANOMALI AKUMULASI PENYUSUTAN BARANG MILIK DAERAH

Pencatatan akumulasi penyusutan Barang Milik Daerah (BMD) di Kabupaten Banyumas menghadapi risiko salah saji akibat heterogenitas nilai aset yang ekstrem serta kompleksitas kodefikasi hierarkis pada sistem SIMBADAMAS. Verifikasi audit manual berbasis sampling dinilai kurang memadai untuk menapisi populasi data secara objektif dan efisien, sehingga diperlukan model prediktif berbasis machine learning sebagai sistem deteksi dini anomali. Penelitian ini bertujuan mengevaluasi kinerja komparatif XGBoost dan CatBoost pada tiga jenjang pemodelan (Baseline, Random Search, dan optimasi Bayesian/Optuna) untuk mengestimasi rasio akumulasi penyusutan serta menerapkan model terbaik sebagai alat bantu deteksi anomali audit. Metodologi mengadaptasi kerangka Knowledge Discovery in Databases (KDD) yang diintegrasikan dengan equal-frequency quantile stratification. Evaluasi dilakukan pada hold-out test set menggunakan metrik R², MAE, dan WAPE. Dari 98.526 data mentah diperoleh 42.241 observasi bersih pada tiga stratum. Hasil menunjukkan bahwa XGBoost-Optuna teroptimasi Bayesian konsisten mengungguli CatBoost-Optuna dalam meminimalkan kesalahan prediksi, di mana XGBoost menghasilkan WAPE lebih rendah pada Stratum 1 (0,5683% berbanding 0,5911%), Stratum 2 (0,7182% berbanding 0,8005%), dan Stratum 3 (1,4442% berbanding 1,6716%). Optimasi XGBoost juga sekitar 54 kali lebih efisien (89,23 detik berbanding 4.868,76 detik). Dengan ambang materialitas audit 10%, model mengisolasi 98 aset berisiko tinggi (red flag) dari 8.450 data uji. Temuan ini mendukung transisi dari audit manual menuju verifikasi komputasional yang lebih presisi bagi Badan Keuangan dan Aset Daerah (BKAD) Kabupaten Banyumas.