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

Jangan Abaikan Swap Memory VPS Kamu, Kalau Tidak Ingin Proses Kompilasi Dihentikan Paksa oleh Sistem Operasi
cc: fatal error: Killed signal terminated program cc1 compilation...
ChatGPT Image 22 Apr 2025, 08.50
Laravel: Framework PHP Populer dengan Perjalanan Gemilang
Laravel, salah satu framework PHP paling populer di dunia...
IMG_20250223_092304
Mengasah Potensi Kepemimpinan Mahasiswa UNIKOM melalui LDK di Badger Camp
Bandung, 23 Februari 2025 – Himpunan Mahasiswa (HIMA) Komputerisasi...
ka_unikom_kosabangsa_2024_v2
Dosen Prodi Komputerisasi Akuntansi UNIKOM Berkolaborasi Lewat Program KOSABANGSA 2024
Dosen Tetap Prodi Komputerisasi Akuntansi UNIKOM Terlibat...
Computerized-Accounting-Systems-on-ML_
Profil Lulusan Prodi Komputerisasi Akuntansi UNIKOM
Profil lulusan Program Studi (Prodi) Komputerisasi Akuntansi...
Artificial-Intelligence-In-Accounting-1-1024x605
Machine Learning dalam Komputerisasi Akuntansi dan Analisis Keuangan, untuk Pengambilan Keputusan
Machine learning, sebagai cabang dari kecerdasan buatan,...