Perangi ATM Skimming Dengan Machine Learning
Kejahatan yang dilakukan dengan cara menyalin informasi nasabah pada strip magnetik kartu debit / kredit ini dilakukan menggunakan mesin skimmer ATM.
I Gede Kukuh Adi Perdana
16 Oktober 2020 • 1 mins reading
Kasus skimming ATM untuk melakukan pencurian data kartu debit dan kartu kredit merupakan momok yang menghantui dunia perbankan. Kejahatan yang dilakukan dengan cara menyalin informasi nasabah yang terdapat pada strip magnetik kartu debit dan kartu kredit ini dilakukan menggunakan mesin skimmer yang ditempel pada mesin ATM. Untuk mengantisipasi hal tersebut, tim BRI terus berupaya terus lakukan patroli atm dan memasang alat anti skimming.
Selain itu, tim IT BRI juga ikut membantu pencegahan kerugian akibat skimming dengan mengembangkan sebuah sistem fraud detection berbasis behavior scoring yang mempelajari pola transaksi tarik tunai yang sering dilakukan oleh masing-masing nasabah BRI. Sistem ini membangun profil dari masing-masing nasabah kemudian jika ada transaksi yang mencurigakan sistem akan melaporkan anomali atau keanehan tersebut hanya dalam 15 detik saja.
Secara teknis, aktivitas seorang nasabah melakukan tarik tunai di ATM terjadi di Payment Hub, yang kemudian diteruskan ke Core Banking System dan diteruskan kepada sistem BRIFORCE, yang akan menganalisis aktivitas yang dilakukan nasabah dengan menggunakan algoritma XGBoost atau Extreme Gradient Boosting, seperti layaknya proses Credit Scoring. Kami menguji sistem machine learning ini dengan menyiapkan kurang lebih 100.000 baris data transaksi untuk dipelajari dan melakukan uji coba pendeteksian anomali dengan memberikan 20.000 baris data transaksi di luar data yang sudah dimasukkan di awal. Hasil dari proses back testing ini didapatkan bahwa tingkat akurasi sistem deteksi fraud ini mencapai 86% dengan false positive ratio atau kemungkinan kesalahan menebaknya sekitar 9%. Hal ini menunjukkan bahwa model sistem ini masih dapat bekerja dengan baik untuk memerangi risiko kerugian nasabah akibat skimming ATM.
Seiring dengan pengimplementasiannya, kami juga terus memonitor apakah aktivitas-aktivitas mencurigakan yang terjadi benar-benar merupakan kasus fraud atau bukan. Setiap tiga bulan sekali, kami menguji efektivitas dan efisiensi sebuah model sistem. Jika tingkat keakuratan model di atas sudah berada di bawah angka 50 persen, kami akan memperbaharui model dengan yang lebih sesuai sehingga nasabah tak perlu khawatir dengan praktik-praktik ilegal lain yang mungkin saja muncul di kemudian hari.
I Gede Kukuh Adi Perdana
Manager - Enterprise Data Management Division