Klasifikasi Kategori Notifikasi Pengiriman Pesan One-Time Password

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.