![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
2008 TS PP WIWIT SETIADI 1-COVER
PUBLIC rikrik ![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
2008 TS PP WIWIT SETIADI 1-BAB 1
PUBLIC rikrik ![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
2008 TS PP WIWIT SETIADI 1-BAB 2
PUBLIC rikrik ![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
2008 TS PP WIWIT SETIADI 1-BAB 3
PUBLIC rikrik ![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
2008 TS PP WIWIT SETIADI 1-BAB 4
PUBLIC rikrik ![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
2008 TS PP WIWIT SETIADI 1-BAB 5
PUBLIC rikrik ![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
2008 TS PP WIWIT SETIADI 1-PUSTAKA
PUBLIC rikrik
Salah satu masalah utama di dalam bisnis telekomunikasi yang berupa layanan
postpaid pada sisi penyedia layanan adalah tidak terbayarnya tagihan atau bad debt.
Sebagai bagian penting dari siklus bisnisnya, sebuah operator harus mampu menangani
masalah ini yang telah memberikan porsi cukup besar dalam pendapatannya. Tindakan
penyalahgunaan terhadap layanan merupakan salah satu penyebab terjadinya bad debt.
Tindakan yang dikenal sebagai fraud ini cukup sulit ditangani. Namun, dengan bantuan
pengenalan pola penggunaan layanan, tindakan yang merugikan ini dapat
diminimalisasi dengan baik. Hal itu tergantung pada pemilihan metoda yang tepat untuk
dapat mengenali pola penggunaan tersebut.
Salah satu tantangan dalam penanganan bad debt adalah menemukan konsep
atau metoda yang tepat untuk mendeteksi fraud. Beberapa penelitian telah dilakukan
untuk mencoba menjawab tantangan tersebut dengan menggunakan berbagai teknologi
data mining. Jaringan syaraf tiruan (Neural Network) adalah salah satu dari teknologi
tersebut yang akan digunakan untuk menjawab tantangan ini. Kemampuannya untuk
mengenal pola merupakan nilai unggul yang dimilikinya.
Berkaitan dengan hal tersebut di atas, tesis ini berusaha memberikan sumbangsih
berupa desain dan implementasi prediktor Bad Debt dan Fraud Management System
(FMS). Sistem ini akan menerapkan teknologi jaringan syaraf tiruan. Adapun sistem ini
dikembangkan untuk dapat di aplikasikan pada teknologi selular terutama untuk tipe
postpaid. Meskipun demikian, konsep serupa dapat saja diaplikasikan ke dalam
teknologi lainnya dengan beberapa modifikasi. Penelitian ini telah memberikan hasil yang baik berupa kemampuan prediksi bad debt hingga 87%. Sedangkan untuk FMS
telah mencapai nilai 85%.