Peningkatan kesadaran masyarakat terhadap pentingnya asuransi kendaraan sejalan dengan meningkatnya jumlah klaim yang diajukan. Kondisi ini membawa tantangan baru bagi perusahaan asuransi karena potensi terjadinya kecurangan pada proses klaim dapat menimbulkan kerugian finansial yang signifikan. Untuk mengatasi permasalahan tersebut, penelitian ini bertujuan untuk menerapkan dan mengoptimalkan model klasifikasi menggunakan algoritma C4.5 dalam mendeteksi klaim asuransi kendaraan yang berpotensi curang, serta memanfaatkan teknik Synthetic Minority Over-Sampling Technique for Nominal and Continuous (SMOTE-NC) guna menangani ketidakseimbangan distribusi kelas. Model yang dibangun dievaluasi menggunakan confusion matrix dengan metrik akurasi, precision, recall, dan F1 score untuk menilai kinerjanya. Hasil penelitian menunjukkan bahwa algoritma C4.5 mampu menghasilkan model dengan akurasi sebesar 82% dan recall 69%, yang mengindikasikan performa cukup baik dalam mendeteksi klaim fraud. Penerapan SMOTE-NC terbukti meningkatkan kemampuan model dalam mengenali klaim curang yang jumlahnya relatif sedikit dibandingkan klaim valid. Meskipun demikian, masih terdapat ruang perbaikan, khususnya dalam meningkatkan sensitivitas model terhadap data klaim yang jarang terjadi. Dengan demikian, algoritma C4.5 berpotensi menjadi solusi yang efektif dalam pengembangan sistem deteksi kecurangan klaim asuransi, dengan catatan bahwa kualitas data dan parameter yang digunakan sangat memengaruhi kinerja model.

The increasing public awareness of the importance of vehicle insurance is accompanied by an increase in the number of claims filed. This situation presents new challenges for insurance companies, as the potential for fraud in the claims process can lead to significant financial losses. To address this issue, this study aims to implement and optimize a classification model using the C4.5 algorithm to detect potentially fraudulent vehicle insurance claims, utilizing the Synthetic Minority Over-Sampling Technique for Nominal and Continuous (SMOTE-NC) technique to address the imbalanced class distribution. The developed model was evaluated using a confusion matrix, with accuracy, precision, recall, and F1-score metrics to assess its performance. The results showed that the C4.5 algorithm produced a model with an accuracy of 82% and a recall of 69%, indicating quite good performance in detecting fraudulent claims. The application of SMOTE-NC has been shown to improve the model's ability to recognize fraudulent claims, which are relatively few in number compared to valid claims. However, there is still room for improvement, particularly in increasing the model's sensitivity to infrequent claims data. Therefore, the C4.5 algorithm has the potential to be an effective solution in developing an insurance claims fraud detection system, with the caveat that data quality and the parameters used significantly influence model performance.