| dc.description.abstract | Pada ekonomi modern saat ini, pendorong utamanya yakni berasal dari uang digital yang mana secara
global mengadopsi smartphone yang memudahkan pengguna untuk mengakses layanan keuangan
digital. Dengan perkembangan internet yang sangat pesat pada saat ini, banyak muncul penyedia-
penyedia jasa seperti penyedia jasa transportasi, jasa toko online dan banyak lagi jasa-jasa yang
memanjakan pengguna untuk semakin tidak dapat terlepas dari penggunaan smartphone. Seiring
dengan hal tersebut, transaksi online pun meningkat pesat saat ini, berbagai macam penyedia jasa
pembayaran elektronik seperti credit/debit card, e-wallet dan masih banyak macam pembayaran
kontak tanpa langsung. Hal ini, mengakibatkan terdapat sejumlah masalah keamanan terkait kata
sandi dan meluasnya pencurian kata sandi dalam transaksi online. Akibatnya, banyak bisnis mencari
alternatif untuk menanggulanginya. Untuk meminimalisir hal tersebut, muncul pendekatan alternatif
one-time password. One-time password (OTP) merupakan skema otentikasi terhadap kata sandi atau
penambahan validasi yang digunakan untuk setiap sesi otentikasi pengguna. Apabila sesi otentikasi
telah habis atau digunakan, maka kata sandi tersebut tidak valid lagi. Kemudian, apabila terdapat
pengiriman ulang pada one-time password maka yang dapat digunakan untuk sesi otentikasi
selanjutnya adalah kode otentikasi terbaru untuk digunakan. Dalam pengiriman SMS one-time
password sangat memungkin terjadi kegagalan pada pengirimannya, baik dikarenakan jaringan yang
mana permasalahan muncul dari operator atau permasalahan teknikal seperti request time out pada
server oleh pihak ketiga yang mengirimkan pesan atau bahkan perusahaan yang menyediakan jasa
pengiriman SMS OTP. Hasil penelitian yang telah dilakukan, diketahui bahwa pada metode bayesian
network (BN) variabel-variabel yang signifikan yakni delivered, undelivered, average notification
per minutes, rate undelivered. Sedangkan untuk status yang setidaknya memiliki 3 child nodes yakni
not delay, unknown summary, long delay, normal, maybe issue from operator dan not normal.
Kemudian dilanjutkan pengujian pada metode machine learning (naïve bayes [NB]) dan deep
learning (multi layer perceptron [MLP]) bahwa secara evaluasi matriks (akurasi) didapatkan MLP
dengan variabel terpilih dari BN lebih tinggi sedikit dibandingkan NB. Hasil dari metode NB dengan
variabel terpilih BN sebesar 87,74% dengan waktu komputasi selama 0,006 detik. Pada MLP
variabel terpilih BN sebesar 88,12% dengan waktu komputasi selama 15,82 detik. Walaupun waktu
latih MLP lebih lama, metode deep learning menjadi pilihan terbaik karena tingkat akurasi yang
lebih tinggi. | en_US |
