Pendeteksian Aktivitas Fraud

Oleh Astari Retnowardhani, PhD & Tiswa Ramdhani, MMSI

Aktivitas fraud erat hubungannya dengan data dan informasi. Konsep data analytics dipergunakan dalam proses investigasi dalam upaya menemukan data transaksi yang terindikasi transaksi fraud. Proses data analytics pada dasarnya meneliti dan memeriksa data untuk mendapatkan kesimpulan yang akurat berdasarkan data yang telah dikumpulkan, dimana kesimpulan dapat berupa pola data yang menunjukkan kondisi dari suatu perusahaan. Proses data analytics saat ini menggunakan Structured Query Languange (SQL) yang mengacu pada proses mengumpulkan, mengorganisasikan dan menganalisis sekumpulan data untuk mendapatkan pola-pola dan informasi yang berguna. Penggunaan teknik query yang saat ini digunakan memiliki keterbatasan yaitu:

1. Teknik query tidak dapat belajar sendiri dari data yang ada dalam menganalisis data, dalam artian teknik query bukan suatu model yang dapat dijalankan untuk proses analisis data secara otomatis;
2. Teknik query tidak dapat melakukan deteksi untuk analisis prediktif dan detektif, dalam artian teknik query tidak dapat melakukan klasifikasi data dan analisis data transaksi untuk membangun suatu model yang dapat mengungkap pola-pola yang tersembunyi dalam rangka mendapatkan insigthdari suatu data;
3. Hasil dari proses query tidak dapat divisualisasikan untuk melihat statistik data sesuai kaidah keilmuan data analytics;

Berdasarkan penelitian Pumsirirat, A., & Liu Yan (2018), dijelaskan mengenai studi kasus penggunaan deep learning untuk mendeteksi transaksi fraud kartu kredit dalam merekonstruksi transaksi normal untuk menemukan anomali dari pola normal. Penelitian lain yang dilakukan oleh Lu Yifei (2017) membahas mengenai penggunaan deep learning dengan tensorflow framework dalam mendeteksi transaksi fraud kartu kredit dengan menerapkan algoritma dan parameter optimal dimana jaringan dilatih untuk mencapai stabilitas dan menjadi optimal sehingga model yang sesuai dapat ditemukan untuk mendeteksi apakah transaksi yang dilakukan normal atau fraud. Penelitian sebelumnya yang dilakukan oleh Fatih Ertam (2017) menjelaskan bagaimana penggunaan tensorflow untuk data classification dengan deep learning yang mana tensorflow library menyediakan interface untuk menjalankan algoritma machine learning serta aplikasi untuk menjalankan algoritma tersebut. Penelitian lainnya oleh Peter Goldsborough (2016), membahas mengenai penggunaan tensorflow library untuk konsep modern deep learning sebagai alternatif library untuk merepresentasikan computional graphs.

Konsep sistem deteksi fraud menggunakan deep learning merupakan sebuah proses untuk menganalisis dan membuktikan data transaksi yang terindikasi dugaan fraud. Dalam konteks deep learning merupakan metode algoritma dengan menggunakan tensorflow framework yang akan digunakan dalam mendeteksi data transaksi yang terindikasi fraud. Metode yang diusulkan ini memungkinkan sekumpulan data besar untuk dapat dilatih secara cepat dan efisien dengan sedikit pilihan parameter manual yang diperlukan sehingga dapat membuktikan transaksi-transaksi fraud yang terjadi berdasarkan indikasi transaksi-transaksi fraud yang telah ditemukan pada tahap analisis awal.

Daftar Pustaka

Pumsirirat, A., & Yan, L. (2018). Credit Card Fraud Detection using Deep Learning based on Auto-Encoder and Restricted Boltzmann Machine. International Journal of Advanced Computer Science and Applications (IJACSA), 9(1), 18–25. https://doi.org/10.14569/IJACSA.2018.090103

Lu, Y. (2017). Deep neural networks and fraud detection. U.U.D.M. Project Report 2017:38

Adrian Banarescu. (2015). Detecting and Preventing Fraud with Data Analytics. Procedia Economics and Finance 32 (2015) 1827 – 1836.

Baldi, P. (2012). Autoencoders, Unsupervised Learning, and Deep Architectures. ICML Unsupervised and Transfer Learning, 37–50. https://doi.org/10.1561/2200000006. Jain, R.,

Isaksen, A., Holmgård, C., & Togelius, J. (2016). Autoencoders for Level Generation, Repair, and Recognition. ICCC Workshop on Computational Creativity and Games.