Deteksi Fraud Pada Komunikasi Seluler berdasarkan CDR (Customer Detail Record)

Aktivitas fraudmenjadi perhatian besar bagi perusahaan telekomunikasi. Kemajuan teknologi dan sistem informasi telah secara signifikan meningkatkan aktivitas fraud, yang dapat berdampak negatif pada perolehan pendapatan dan kualitas layanan. Fraud dapat didefinisikan sebagai penggunaan infrastruktur telekomunikasi secara ilegal seperti komunikasi seluler dengan maksud untuk tidak membayar layanan, penyalahgunaan panggilan suara (atau data, SMS, MMS), kecurangan dalam langganan dan penggunaan layanan secara ilegal di jaringan penyedia telekomunikasi. Perusahaan telekomunikasi menyimpan sejumlah besar data mentah termasuk panggilan suara, SMS, data isi ulang, langganan, dan layanan lainnya. Tingginya volume data yang dikumpulkan dan tersedia setiap hari, membutuhkan metode tidak sederhana untuk diproses dan diteliti. Fenomena yang terjadi pada industri telekomunikasi yaitu, banyanya tindakan fraud di berbagai layanan, yang menyebabkan kerugian yang cukup besar dari pendapatan kepada perusahaan. Oleh karena itu, merancang model machine learning yang akurat sangat penting untuk meningkatkan pemantauan penggunaan layanan dan untuk mendeteksi peristiwa dan aktivitas fraud tepat waktu.

 

Metode deteksi fraud yang diusulkan dalam industri telekomunikasi dapat dikaitkan dengan teknik data mining atau algoritma machine learning. Penelitian ini menyajikan sistem deteksi fraud waktu nyata yang didasarkan pada model deep convolution neural networks (DCNN). Tujuan utamanya adalah untuk menganalisis pola perilaku pelanggan untuk mendeteksi terjadinya peristiwa fraud. Secara lebih rinci, pelanggan tertentu dapat diklasifikasikan sebagai pelaku fraud berdasarkan fitur yang digali dari CDR (catatan detail pelanggan) yang mewakili catatan log dari peristiwa-peristiwa tertentu berdasarkan stempel waktu tertentu.

 

Kesimpulan

Hasil penelitian menunjukkan bahwa (Deep Convolutional Neural Network) DCNN memberikan hasil yang optimal daalm mendeteksi fraud pada jaringan telekomunikasi dengan akurasi 82%, mengungguli algoritma SVM, RF dan GBC. Manfaat yang dapat dirasakan yaitu, penyedia telekomunikasi dapat mengurangi biaya yang terkait dengan penggunaan layanan ilegal telekomunikasi tanpa pembayaran.

Selain untuk deteksi fraud pada jaringan komunikasi seluler, metode ini berpotensi diimplementasikan  pada jaringan komunikasi telepon rumah (tetap), serta dapat disesuaikan dengan domain lain, yang lebih peduli dengan masalah fraud, seperti: kartu kredit, e-commerce, penipuan transaksi keuangan, penipuan asuransi, dll.

 

Sumber:

Chouiekh, A., & Haj, E. H. I. E. (2018). Convnets for fraud detection analysis. Procedia Computer Science127, 133-138.

Berita Lainnya

LDK_HIMA_KA_2026
Membentuk Pemimpin Muda yang Tangguh, HIMAKA UNIKOM Sukses Gelar LDK 2026
LDK merupakan program kerja unggulan HIMAKA yang bertujuan...
Hima_Calon_1
Rapat Akbar: Wadah Aspirasi dan Regenerasi Kepemimpinan
Sebagai bagian dari rangkaian acara Dies Natalis, HIMAKA...
Penglika
PENGLIKA 2025
Pengenalan Lingkungan Kampus Komputerisasi Akuntansi 2025...
Pelatihan Laravel 12
Mahasiswa Komputerisasi Akuntansi Tingkatkan Skill Web Development melalui Pelatihan Laravel 12
Mahasiswa Jurusan Komputerisasi Akuntansi di Fakultas Teknik...
OJK_001
Meningkatkan Literasi Keuangan, Mahasiswa Komputerisasi Akuntansi Laksanakan Kunjungan Edukatif ke OJK Jabar
Sebagai bagian dari penguatan pembelajaran berbasis pengalaman...
ChatGPT Image May 19, 2025, 08_09_21 AM
Integrasi Data Sains dalam Menyongsong Masa Depan Profesi Akuntan
Di era digital yang terus berkembang, profesi akuntan menghadapi...