Bank adalah salah satu industri keuangan. Sebagai industri keuangan yang melayani nasabah, ada risiko yang terjadi pada bank. Salah satu risiko yang sering terjadi dan menyebabkan kerugian di bank adalah fraud dalam bentuk skimming pada transaksi tarik tunai ATM. Penelitian ini dilakukan untuk mengetahui pemodelan data mining yang dapat digunakan untuk mendeteksi fraud skimming di salah satu bank. Tujuan dari penelitian ini adalah memberikan referensi dalam mencari pemodelan deteksi fraud. Karakteristik data yang digunakan adalah imbalanced data karena data transaksi fraud sangat kecil dibandingkan dengan data transaksi normal. Metode yang digunakan pada penelitian ini adalah tinjauan pustaka, wawancara dan eksperimen terhadap teknik machine learning. Pembentukan model pada penelitian ini dilakukan dengan mengimplementasikan kombinasi dari penggunaan feature selection dan tanpa feature selection, penggunaan SMOTE dan tanpa SMOTE, serta penggunaan feature engineering dan tanpa feature engineering dengan jarak dan jeda transaksi sehingga diperoleh delapan scenario dari hasil kombinasi. Hasil dari penelitian ini menunjukkan bahwa dari seluruh skenario yang diuji coba, algoritma Extreme Gradient Boosting merupakan algoritma terbaik dalam menghasilkan model deteksi fraud. Skenario terbaik yang dihasilkan adalah skenario dengan mengimplementasikan ketiga teknik sekaligus yaitu feature selection, SMOTE dan feature engineering dengan jarak dan jeda transaksi. Berdasarkan hasil evaluasi model, pembentukan model dengan feature engineering dengan jarak dan jeda transaksi dapat meningkatkan performa model klasifikasi.