Penipuan adalah masalah yang signifikan dalam industri pemasaran, dan dapat menyebabkan kerugian besar bagi perusahaan. Untuk mengatasi masalah ini, bisnis memerlukan sistem deteksi penipuan yang efektif yang dapat mengidentifikasi aktivitas penipuan secara real-time. Pada artikel ini, kita akan mempelajari kurva ROC, membahas apa itu, bagaimana menghitungnya, dan penerapannya dalam deteksi penipuan untuk tujuan pemasaran.

Saya menulis tentang Pembelajaran Mesin di Medium || Github || Kaggle || Linkedin . Ikuti "Nhi Yen" untuk pembaruan di masa mendatang!

1. Apa itu ROC?

ROC adalah singkatan dari Receiver Operating Characteristic . Ini adalah representasi grafis dari kinerja model klasifikasi biner.

Dalam istilah yang lebih sederhana, kurva ROC adalah plot dari True Positive Rate (TPR) terhadap False Positive Rate (FPR) dari model klasifikasi .

• TPR juga dikenal sebagai sensitivitas, dan mengukur proporsi positif aktual yang diidentifikasi dengan benar sebagai positif.
• FPR, di sisi lain, mengukur proporsi negatif aktual yang salah diidentifikasi sebagai positif.

Untuk menghitung kurva ROC, pertama-tama kita perlu membuat matriks konfusi yang menunjukkan nilai aktual dan prediksi dari model klasifikasi biner. Matriks konfusi mencakup empat nilai: True Positive (TP), False Positive (FP), True Negative (TN), dan False Negative (FN).

Setelah kami memiliki matriks kebingungan, kami dapat menghitung TPR dan FPR untuk nilai ambang yang berbeda. Nilai threshold menentukan cut-off point untuk model klasifikasi untuk memprediksi hasil positif atau negatif. Kurva ROC kemudian diplot dengan menghubungkan nilai TPR dan FPR untuk nilai ambang yang berbeda.

Persamaan matematika untuk menghitung TPR dan FPR adalah sebagai berikut:

True Positive Rate (TPR) = TP / (TP + FN)
False Positive Rate (FPR) = FP / (FP + TN)

Kurva ROC banyak digunakan di berbagai bidang seperti diagnosis medis, penilaian risiko kredit, dan penyaringan spam. Mari kita lihat beberapa studi kasus dunia nyata di mana kurva ROC berhasil diterapkan:

1. Diagnosis Medis : Kurva ROC digunakan untuk mengevaluasi kinerja tes diagnostik. Dalam sebuah studi oleh Rutter et al., mereka menggunakan kurva ROC untuk menilai keakuratan berbagai tes diagnostik untuk kanker kolorektal.
2. Penilaian Risiko Kredit: Kurva ROC digunakan untuk menilai kelayakan kredit individu. Dalam sebuah studi oleh Liao et al., mereka menggunakan kurva ROC untuk mengevaluasi kinerja model penilaian risiko kredit.
3. Penyaringan Spam: Kurva ROC digunakan untuk mengevaluasi kinerja filter spam. Dalam studi oleh Almeida et al., mereka menggunakan kurva ROC untuk membandingkan kinerja filter spam yang berbeda.

Deteksi penipuan dalam pemasaran sangat penting untuk mencegah kerugian finansial dan melindungi pelanggan. Kurva ROC dapat digunakan untuk mengevaluasi kinerja model deteksi penipuan. Mari kita lihat beberapa studi kasus dunia nyata di mana kurva ROC digunakan dalam deteksi penipuan dalam pemasaran:

4.1. Deteksi Penipuan Kartu Kredit :

Dalam sebuah studi oleh Zhang et al., mereka menggunakan kurva ROC untuk mengevaluasi kinerja model deteksi penipuan kartu kredit. Model tersebut mencapai AUC (Area Under the Curve) yang tinggi sebesar 0,99, yang menunjukkan keefektifannya dalam mendeteksi transaksi penipuan.

4.2. Deteksi Penipuan Iklan Digital

Dalam sebuah studi oleh Du et al., mereka menggunakan kurva ROC untuk mengevaluasi kinerja model deteksi penipuan untuk iklan digital. Model ini mencapai AUC sebesar 0,97, menunjukkan akurasinya yang tinggi dalam mendeteksi klik penipuan.

4.3. Deteksi Penipuan Pemasaran Afiliasi

Dalam sebuah studi oleh Liu et al., mereka menggunakan kurva ROC untuk mengevaluasi kinerja model deteksi penipuan untuk pemasaran afiliasi. Model tersebut mencapai AUC sebesar 0,94, yang menunjukkan keefektifannya dalam mendeteksi transaksi afiliasi yang curang.

Dalam semua studi ini, kurva ROC memainkan peran penting dalam mengevaluasi kinerja model deteksi penipuan. Skor AUC adalah metrik kritis yang menunjukkan keefektifan model dalam mendeteksi aktivitas penipuan. Semakin tinggi skor AUC, semakin baik performa model.

5. Proyek Langsung

• Deteksi Penipuan Kartu Kredit: Proyek Praktis — DI SINI
• Bersambung…

Kurva ROC adalah alat yang ampuh yang banyak digunakan dalam mengevaluasi kinerja model klasifikasi biner. Ini adalah alat yang berguna untuk deteksi penipuan dalam pemasaran karena membantu mengevaluasi efektivitas model deteksi penipuan. Skor AUC yang lebih tinggi menunjukkan kinerja model yang lebih baik dalam mendeteksi aktivitas penipuan. Dengan menggunakan kurva ROC, bisnis dapat mengembangkan sistem deteksi penipuan yang efektif yang dapat melindungi pelanggan mereka dan mencegah kerugian finansial.

Referensi

1. Rutter, CM, Gatsonis, CA, & Auerbach, AD (2004). Analisis karakteristik penerima-operasi untuk mengevaluasi tes diagnostik dan model prediktif. Sirkulasi, 114(5), 499–506.
2. Liao, J., Lei, J., & Wu, D. (2018). Penerapan kurva ROC dalam penilaian risiko kredit. Jurnal Sistem Cerdas & Fuzzy, 35(3), 3461–3468.
3. Almeida, TA, Hidalgo, JMG, & Yamakami, A. (2010). Kontribusi untuk studi pemfilteran spam SMS: Pengumpulan dan hasil baru. Transaksi ACM tentang Keamanan Informasi dan Sistem (TISSEC), 13(4), 1–31.
4. Zhang, X., Tian, ​​Y., & Xie, J. (2016). Deteksi penipuan kartu kredit berdasarkan jaringan saraf convolutional. pracetak arXiv arXiv:1604.04522.
5. Du, X., Guan, Y., Xu, J., & Fu, X. (2019). Model deteksi penipuan klik yang ditingkatkan untuk iklan online menggunakan jaringan kepercayaan mendalam. Sistem Komputer Generasi Mendatang, 91, 484–491.
6. Liu, H., Yang, L., & Chen, Y. (2018). Algoritme deteksi penipuan baru berdasarkan jaringan Bayesian dan algoritme genetik dalam pemasaran afiliasi. Jurnal Sistem Cerdas & Fuzzy, 34(2), 1279–1290.

Beri artikel 50 tepuk tangan

Ikuti saya

Baca lebih banyak artikel di Medium

Terhubung di media sosial Github | Linkedin | Kaggle

#ROCcurve #FraudDetection #Marketing #DataAnalytics #MachineLearning