(Business Lounge – Global News) Aaron Press direktur e-commerce dan pembayaran di LexisNexis Risk Solution memperkirakan bahwa pedagang akan kehilangan 1,32% dari pendapatan akibat penipuan pada tahun ini, naik dari 0,68% pada tahun 2014. Kenaikan sebesar 0,94% tersebut merupakan bagian dari peningkatan jumlah pelanggaran data yang menempatkan kredensial pembayaran di tangan penipu.
Menurut Hui Wang, direktur senior ilmu risiko global, menghentikan penipuan adalah kunci untuk kesehatan keuangan PayPal Holding Inc. Hui Wang telah melihat sifat penipuan online telah banyak berubah dalam 11 tahun terakhir. Bahkan, sebuah evolusi metode yang berkelanjutan adalah sifat cybercrime. Ketika orang-orang baik menciptakan suatu pendekatan, orang-orang jahat mencoba untuk menghindari pendeteksian dengan menggunakan cara lain.
PayPal, yang memisahkan diri dari eBay Inc. pada bulan Juli, menggunakan kombinasi teknologi dan keahlian manusia untuk mengidentifikasi dan menghentikan potensi penipuan secara real-time, selama transaksi online.
Usaha PayPal dalam Melawan Penipuan
Pada tahun 2008 dan 2009, PayPal menguji beberapa paket pendeteksi penipuan dan menemukan bahwa tidak ada yang bisa memberikan analisis yang benar secara cepat. PayPal memproses lebih dari 1,1 petabyte data untuk 169 juta rekening nasabah aktif. Selama transaksi nasabah, subset dari data dianalisis secara real-time.
Sejak 2009, PayPal telah membangun dan memodifikasi sistem analisis penipuan yang menggabungkan teknologi open-source baru karena teknologi tersebut telah berevolusi.
PayPal bekerja untuk menemukan berbagai jenis penipuan yang dilakukan oleh atau terhadap konsumen maupun oleh dan terhadap pedagang. Sebagai contoh, seorang pencuri data bisa menciptakan identitas baru berdasarkan kartu kredit dan informasi pribadi curian. Seorang pedagang mungkin mendirikan toko dan tidak memberikan produk seperti yang dijanjikan.
Beberapa jenis algoritma menganalisis ribuan data secara real-time, seperti alamat IP, sejarah pembelian, aktivitas terbaru di situs pedagang atau di situs PayPal dan informasi yang disimpan dalam cookie. Hasilnya dibandingkan dengan data eksternal dari penyedia otentikasi identitas. Setiap transaksi yang berkemungkinan terjadinya penipuan, dengan aktivitas yang mencurigakan akan ditandai untuk pemeriksaan lebih lanjut secara otomatis dan oleh petugas.
Pendalaman Terhadap Mesin
Dengan pembelajaran yang mendalam, Wang dan timnya mungkin telah menemukan cara untuk meningkatkan keamanan transaksi PayPal dan menangani penjahat yang ingin mengeksploitasi platform pembayaran online.
Pendalaman pembelajaran adalah pendekatan yang baru untuk mepelajari mesin dan kecerdasan buatan yang dalam beberapa tahun terakhir telah menjadi terkenal berkat perusahaan seperti Google, Facebook, Microsoft, dan Baidu, serta beberapa peneliti terkemuka. Banyak perbandingan yang ditarik dari cara kerja otak manusia, karena sistem pembelajaran mendalam menggunakan algoritma jaringan syaraf tiruan.
Model Hasil Pembelajaran Mendalam
Pada dasarnya, tumpukan jaringan saraf yang terdiri dari model pembelajaran yang mendalam sangat baik dalam mengenali pola dan fitur dari data yang dilatih. Model-model yang diciptakan telah menyebabkan beberapa kemajuan besar dalam visi komputer, pengenalan suara, analisis teks, mesin mendengarkan dan bahkan video-game dalam beberapa tahun terakhir.
PayPal menggunakan pendekatan “juara-dan-penantang” untuk memutuskan model pendeteksi-penipuan mana yang paling dapat diandalkan.
Akibat perilaku penipuan pada platform PayPal terus berkembang menjadi lebih kompleks, Wang berharap pembelajaran mendalam akan memberikan timnya kemampuan untuk beradaptasi dengan pola-pola baru yang lebih cepat dari sebelumnya. Mungkin suatu hari PayPal dapat menyebarkan model yang mengambil data langsung dari sistem dan menjadi lebih pintar, dengan pelatihan kembali diri mereka sendiri, secara real-time.
Alvin Wiryo Limanjaya/VMN/BL/Contributor
Editor: Ruth Berliana