"Machine Learning", Pendeteksi Pola Transaksi Penipuan pada "Fintech"

Ancaman transaksi penipuan muncul setiap hari dalam platform daring. Untuk itu penyedia jasa sistem pembayaran tekfin, seperti halnya Midtrans, dituntut untuk dapat mendeteksi transaksi yang mencurigakan sedini mungkin.

Sistem yang dimiliki tekfin dapat digunakan untuk mendeteksi apabila, misalnya, suatu nomor kartu kredit sudah digunakan oleh lebih dari 3 e-mail.

Machine Learning untuk Deteksi Penipuan

Kedua contoh di atas merupakan contoh sederhana, yang pada kenyataannya jumlah data yang perlu dimonitor jauh lebih banyak dan kompleks. Tren terbaru memanfaatkan data secara efektif dalam mendeteksi transaksi penipuan adalah melalui aplikasi Machine Learning.

Suatu sistem dilatih menggunakan data, agar kedepannya dapat mendeteksi atau memprediksi keabsahan suatu transaksi. Machine Learning berupaya membuat suatu model dari historical data, termasuk data transaksi penipuan.

Model ini berupa algoritma yang menggambarkan seperangkat data yang di-input (data pembeli, nomor kartu, bank penerbit kartu, dan lainnya) menjadi suatu nilai output tertentu, seperti keabsahan transaksi atau risk score transaksi yang bersangkutan.

Contohnya; dalam dua transaksi, satu menggunakan nama Budi Utomo dengan alamat email budi_utomo@mail.com dan lainnya menggunakan nama Mickey Mouse dengan alamat email asdfgh112233@rocketmail.com. 

Maka, seorang analis risiko dapat dengan cepat mendeteksi bahwa transaksi kedua lebih mencurigakan dengan alasan nama pelanggan adalah tokoh fiktif, tidak ada korelasi antara nama dan email, karakter asal (gibberish) di alamat email, rasio alfabet dan numerik di alamat email, terlalu banyak karakter angka di alamat email dan lainnya.

Tantangan utama penyedia layanan tekfin adalah mendeteksi hal yang sama untuk ratusan ribu transaksi yang masuk ke dalam sistem pembayaran dan melatih sistem untuk dapat ‘berpikir’ dengan cara yang sama dengan lebih objektif.

Ilustrasi lain misalnya, email bu_01081987@mail.com yang sekilas mencurigakan, namun jika diperhatikan lebih seksama memiliki nilai risk score yang lebih baik dibandingkan contoh diatas karena angka disini bisa menjadi indikasi tanggal lahir pelanggan.

Memaksimalkan Efektifitas Data

Tugas pelaku usaha adalah memilah data yang tepat dan bisa menjadi aset yang berharga. Para pakar, seperti di Midtrans, tidak hanya mengumpulkan banyak data, namun juga melakukan upaya ‘pembersihan’ untuk mengeluarkan data yang tidak diperlukan untuk mendeteksi penipuan.

Untuk menyaring data, pelaku usaha bisa memulai dengan mengidentifikasi masalah yang dihadapi bisnisnya dan mengenali elemen data apa saja yang dapat membantu bisnis memecahkan masalah tersebut. Melalui data yang tepat, mitigasi transaksi penipuan di platform tekfin dapat terus ditingkatkan.