Mendeteksi Penipuan Perbankan dengan Data Science

Data science telah memainkan peran penting dalam industri perbankan. Penggunaan data science dapat membantu pihak perbankan untuk membuat suatu keputusan berdasarkan data sehingga mampu meningkatkan efisiensi keseluruhan dari operasional perbankan. Salah satu contoh nyata pemanfaatan data science dalam sektor perbankan adalah untuk mendeteksi penipuan secara real-time guna mencegah kerugian. 

Penipuan atau fraud dalam perbankan sebenarnya telah lama ada. Namun seiring dengan berkembangnya perbankan online dimana sebagian besar kegiatan nasabah dilakukan secara online, kasusnya menjadi semakin kompleks. Penipuan perbankan berpotensi terjadi pada bank manapun dan di negara manapun. Bentuk penipuan paling umum yang sering dilakukan adalah mencuri kredensial klien, menyebarkan malware, dan mencuri dana dari klien yang terinfeksi malware. Dengan bantuan data science, maka tingkat keamanan dan penghindaran dari kerugian akan lebih mudah dicapai.

Data science memiliki strategi tersendiri untuk mendeteksi transaksi perbankan yang mengandung kecurangan. Latar belakang penyusunan model use case pendeteksian fraud dengan data science dimulai dari mempelajari bisnis perbankan, fraud yang mungkin terjadi, dan pihak-pihak yang terlibat. Setelah itu tahap awal penyusunan model pendeteksian fraud dimulai dari menginput data. Untuk mrnciptakan model pendeteksian fraud yang baik, data dalam jumlah banyak dan beragam perlu dikumpulkan sebagai dasar analisis. 

Data tersebut kemudian dilanjutkan ke tahap extract features untuk dibaca dan dianalisis karakteristik mana yang termasuk penipuan dan mana yang bukan. Dari karakteristik tersebut kemudian dapat digunakan sebagai dasar penentuan transaksi masa depan. Hal ini termasuk tahap menganalisis berbagai aspek data yang berkaitan seperti, validasi tanggal masuk, mengidentifikasi transaksi berulang, penjumlahan nilai numerik, dan perhitungan statistik guna mendeteksi hal yang menjadi pertanda adanya penipuan.

Tahapan selanjutanya adalah membuat permodelan data, pada tahap ini untuk mendeteksi kemungkinan fraud terjadi dalam sebuah transaksi maka dilakukan tiga tahapan terhadap model data yaitu training, testing, dan cross-validation. Luaran akhir dari permodelan data akan membentuk sebuah pola yang digunakan sebagai dasar normal atau pola perilaku 'familiar' customer. Dengan dasar normal atau pola perilaku 'familiar' customer tersebut, data science akan menganalisis hubungan antar variable dari transaksi saat ini dibandingkan dengan dasar normal. Misalnya, ketika secara tiba-tiba dalam rekening seorang customer terjadi transaksi tidak terduga dalam jumlah yang besar dan tidak seperti biasanya. 

Pada saat itu juga, sistem permodelan data yang telah disusun akan mendeteksi dan menganalisa secara langsung apakah permohonan transaksi dapat dilanjutkan atau ditolak. Karena transaksi tidak sesuai dengan pola perilaku 'familiar' customer, sistem dapat membuat keputusan untuk menolak permohonan transaksi pada saat itu juga. Pembuatan keputusan secara real time tersebut dapat mengurangi dan mencegah terjadinya fraud.  Adapun secara singkat contoh permodelan deteksi fraud dapat dilihat dari ilustrasi berikut.

Tahap terakhir adalah evaluasi, evaluasi dilakukan untuk meninjau permodelan yang dikembangkan apakah sudah sesuai atau masih terdapat kekurangan-kekurangan tertentu. Hasil dari evaluasi dapat dimanfaatkan untuk melakukan improvisasi terhadap model untuk mendapatkan hasil yang lebih baik dan sesuai dengan kebutuhan bank.