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

Lowongan Kerja di PT. Proven Force Indonesia
PT. Proven Force IndonesiaWe believe that the essence of...
students-celebrating-graduation
Profil Lulusan Prodi Komputerisasi Akuntansi UNIKOM
Profil lulusan Program Studi (Prodi) Komputerisasi Akuntansi...
Bangunindo-Teknusa-Jaya
Lowongan Kerja di Bangunindo Teknusa Jaya
Posisi : Backend Engineer (Remote) PT Bangunindo Teknusa...
Artificial Intelligence In Accounting
Machine Learning dalam Komputerisasi Akuntansi dan Analisis Keuangan, untuk Pengambilan Keputusan
Machine learning, sebagai cabang dari kecerdasan buatan,...
Econometrics
Econometrics dengan Komputerisasi Akuntansi dan Machine Learning
Econometrics atau Ekonometrika, sebagai jembatan antara...
startup-illustration
Komputerisasi Akuntansi Keuangan untuk Startup: Solusi Cerdas di Era Digital
Sebuah startup adalah entitas bisnis baru yang berinovasi...