Amazon Fraud Detector tidak lagi terbuka untuk pelanggan baru per 7 November 2025. Untuk kemampuan yang mirip dengan Amazon Fraud Detector, jelajahi Amazon SageMaker AutoGluon,, dan AWS WAF.
Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
# Variabel
Variabel mewakili elemen data yang ingin Anda gunakan dalam prediksi penipuan. Variabel-variabel ini dapat diambil dari kumpulan data acara yang Anda siapkan untuk melatih model Anda, dari output skor risiko model Amazon Fraud Detector Anda, atau dari model Amazon SageMaker AI. Untuk informasi selengkapnya tentang variabel yang diambil dari kumpulan data peristiwa, lihat[Dapatkan persyaratan set data acara menggunakan penjelajah model Data](create-event-dataset.md#prepare-event-dataset).
Variabel yang ingin Anda gunakan dalam prediksi penipuan Anda harus terlebih dahulu dibuat dan kemudian ditambahkan ke acara saat membuat jenis acara Anda. Setiap variabel yang Anda buat harus diberi tipe data, nilai default, dan opsional tipe variabel. Amazon Fraud Detector memperkaya beberapa variabel yang Anda berikan seperti alamat IP, nomor identifikasi bank (BINs), dan nomor telepon, untuk membuat input tambahan dan meningkatkan kinerja model yang menggunakan variabel ini.
## Jenis Data
Variabel harus memiliki tipe data untuk elemen data yang mewakili variabel dan secara opsional dapat diberikan salah satu yang telah [Jenis variabel](#variable-types) ditentukan. Untuk variabel yang ditetapkan ke tipe variabel, tipe data dipilih sebelumnya. Jenis data yang mungkin termasuk jenis berikut:
| Jenis data | Deskripsi | Nilai default | Contoh nilai |
| --- | --- | --- | --- |
| String | Kombinasi huruf, bilangan bulat, atau keduanya | | abc, 123, 1D3B |
| Bilangan Bulat | Bilangan bulat positif atau negatif | 0 | 1, -1 |
| Boolean | Benar atau Salah | False | Betul, Salah |
| DateTime | Tanggal dan waktu yang ditentukan dalam format UTC standar ISO 8601 saja | | 2019-11-30T 13:01:01 Z |
| Desimal | Angka dengan poin desimal | 0.0 | 4.01, 0,10 |
## Nilai default
Variabel harus memiliki nilai default. Saat Amazon Fraud Detector menghasilkan prediksi penipuan, nilai default ini digunakan untuk menjalankan aturan atau model jika Amazon Fraud Detector tidak menerima nilai untuk variabel. Nilai default yang Anda berikan harus sesuai dengan tipe data yang dipilih. Di AWS Console, Amazon Fraud Detector menetapkan nilai default `0` untuk bilangan bulat, untuk Boolean, `false` untuk float, dan (kosong) `0.0` untuk string. Anda dapat menetapkan nilai default kustom untuk salah satu tipe data ini.
## Jenis variabel
Saat Anda membuat variabel, Anda dapat secara opsional menetapkan variabel ke tipe variabel. Jenis variabel mewakili elemen data umum yang digunakan untuk melatih model dan untuk menghasilkan prediksi penipuan. Hanya variabel dengan tipe variabel terkait yang dapat digunakan untuk pelatihan model. Sebagai bagian dari proses pelatihan model, Amazon Fraud Detector menggunakan tipe variabel yang terkait dengan variabel untuk melakukan pengayaan variabel, rekayasa fitur, dan penilaian risiko.
Amazon Fraud Detector telah menentukan jenis variabel berikut yang dapat digunakan untuk menetapkan variabel Anda.
[\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/id_id/frauddetector/latest/ug/variables.html)
### Menetapkan variabel ke tipe variabel
Jika Anda berencana menggunakan variabel untuk melatih model Anda, penting bagi Anda untuk memilih jenis variabel yang tepat untuk ditetapkan ke variabel. Penetapan tipe variabel yang salah dapat berdampak negatif pada kinerja model Anda. Ini juga bisa menjadi sangat sulit bagi Anda mengubah tugas nanti, terutama jika beberapa model dan acara telah menggunakan variabel.
Anda dapat menetapkan variabel Anda salah satu dari jenis variabel yang telah ditentukan sebelumnya atau salah satu jenis variabel kustom —`FREE_FORM_TEXT`,`CATEGORICAL`, atau. `NUMERIC`
**Catatan penting untuk menetapkan variabel ke tipe variabel yang tepat**
1. Jika variabel cocok dengan salah satu jenis variabel yang telah ditentukan, gunakan itu. Pastikan tipe variabel sesuai dengan variabel. Misalnya, jika Anda menetapkan variabel *ip\$1address* ke `EMAIL_ADDRESS` tipe variabel, variabel ip\$1address tidak akan diperkaya dengan pengayaan seperti ASN, ISP, geo-location, dan skor risiko. Untuk informasi selengkapnya, lihat [Pengayaan variabel](#variable-enrichments).
1. Jika variabel tidak cocok dengan jenis variabel yang telah ditentukan sebelumnya, ikuti rekomendasi yang tercantum di bawah ini untuk menetapkan salah satu jenis variabel kustom.
1. Tetapkan tipe `CATEGORICAL` variabel ke variabel yang biasanya tidak memiliki urutan alami dan dapat dimasukkan ke dalam kategori, segmen, atau grup. *Dataset yang Anda gunakan untuk melatih model Anda mungkin memiliki variabel ID seperti, *merchant\$1id, *campaign\$1id*, atau policy\$1id*.* Variabel ini mewakili grup (misalnya, semua pelanggan dengan policy\$1id yang sama mewakili grup). Variabel yang memiliki data berikut harus diberi tipe variabel CATEGORICAL -
+ **Variabel yang berisi data seperti *Customer\$1ID, Segment\$1ID, *Color\$1ID**, *department\$1code, atau Product\$1ID*.**
+ Variabel yang berisi data Boolean dengan nilai true, false, atau null.
+ Variabel yang dapat dimasukkan ke dalam kelompok atau kategori seperti nama perusahaan, kategori produk, jenis kartu, atau media rujukan.
**catatan**
`ENTITY_ID`adalah tipe variabel cadangan yang digunakan oleh Amazon Fraud Detector untuk menetapkan ke variabel ENTITY\$1ID. Variabel ENTITY\$1ID adalah ID entitas yang memulai tindakan yang ingin Anda evaluasi. Jika Anda membuat tipe model Transaction Fraud Insight (TFI), Anda harus menyediakan variabel ENTITY\$1ID. Anda harus memutuskan variabel mana dalam data Anda yang secara unik mengidentifikasi entitas yang memulai tindakan dan meneruskannya sebagai variabel ENTITY\$1ID. Tetapkan tipe variabel CATEGORICAL ke semua yang lain IDs dalam dataset Anda, jika ada dan jika Anda menggunakannya untuk pelatihan model. *Contoh lain IDs yang bukan entitas dalam kumpulan data Anda dapat berupa *Merchant\$1ID, *Policy\$1ID*, dan Campaign\$1ID*.*
1. Tetapkan tipe `FREE_FORM_TEXT` variabel ke variabel yang berisi blok teks. *Contoh tipe variabel FREE\$1FORM\$1TEXT adalah — *ulasan pengguna*, *komentar*, *tanggal*, dan kode rujukan.* Data FREE\$1FORM\$1TEXT berisi beberapa token yang dipisahkan oleh pembatas. Pembatas dapat berupa karakter apa pun selain simbol alfa-numerik dan garis bawah. Misalnya, ulasan dan komentar pengguna dapat dipisahkan oleh pembatas “spasi”, tanggal dan kode rujukan dapat menggunakan tanda hubung sebagai pembatas untuk memisahkan awalan, akhiran, dan bagian tengah. Amazon Fraud Detector menggunakan pembatas untuk mengekstrak data dari variabel FREE\$1FORM\$1TEXT.
1. Tetapkan tipe variabel *NUMERIK* ke variabel yang merupakan bilangan real dan memiliki urutan yang melekat. **Contoh variabel NUMERIK termasuk *day\$1of\$1the\$1week, incident\$1severity, customer\$1rating*.** Meskipun, Anda dapat menetapkan tipe variabel CATEGORICAL ke variabel-variabel ini, kami sangat menyarankan untuk menetapkan semua variabel bilangan real dengan urutan yang melekat pada tipe variabel NUMERIK.
## Pengayaan variabel
Amazon Fraud Detector memperkaya beberapa elemen data mentah yang Anda berikan seperti alamat IP, nomor identifikasi bank (BINs), dan nomor telepon, untuk membuat input tambahan dan meningkatkan kinerja model yang menggunakan elemen data ini. Pengayaan membantu mengidentifikasi situasi yang berpotensi mencurigakan dan membantu model untuk menangkap lebih banyak penipuan.
### Pengayaan nomor telepon
Amazon Fraud Detector memperkaya data nomor telepon dengan informasi tambahan yang berkaitan dengan geolokasi, operator asli, dan validitas nomor telepon. Pengayaan nomor telepon diaktifkan secara otomatis untuk semua model yang dilatih pada atau setelah *13 Desember 2021* dan memiliki nomor telepon yang menyertakan kode negara (\$1xxx). Jika Anda telah memasukkan variabel nomor telepon ke dalam model Anda dan telah melatihnya sebelum *13 Desember 2021,* latih kembali model Anda sehingga dapat memanfaatkan pengayaan ini.
Kami sangat menyarankan Anda menggunakan format berikut untuk variabel nomor telepon untuk memastikan bahwa data Anda berhasil diperkaya.
| Variabel | Format | Deskripsi |
| --- | --- | --- |
| TELEPON\$1NOMOR | Standar [E.164](https://en.wikipedia.org/wiki/E.164) | Pastikan untuk menyertakan kode negara (\$1xxx) dengan nomor telepon. |
| BILLING\$1PHONE dan SHIPPING\$1PHONE | Standar [E.164](https://en.wikipedia.org/wiki/E.164) | Pastikan untuk menyertakan kode negara (\$1xxx) dengan nomor telepon. |
### Pengayaan geolokasi
Mulai *8 Februari 2022* Amazon Fraud Detector menghitung jarak fisik antara nilai IP\$1ADDRESS, BILLING\$1ZIP, dan SHIPPING\$1ZIP yang Anda berikan untuk suatu peristiwa. Jarak yang dihitung digunakan sebagai input untuk model deteksi penipuan Anda.
Untuk mengaktifkan pengayaan geolokasi, data acara Anda harus menyertakan setidaknya dua dari tiga variabel: IP\$1ADDRESS, BILLING\$1ZIP, atau SHIPPING\$1ZIP. Selain itu, setiap nilai BILLING\$1ZIP dan SHIPPING\$1ZIP harus memiliki kode BILLING\$1COUNTRY yang valid dan kode SHIPPING\$1COUNTRY masing-masing. Jika Anda memiliki model yang dilatih sebelum *8 Februari 2022* dan menyertakan variabel-variabel ini, Anda harus melatih kembali model tersebut untuk mengaktifkan pengayaan geolokasi.
Jika Amazon Fraud Detector tidak dapat menentukan lokasi yang terkait dengan nilai IP\$1ADDRESS, BILLING\$1ZIP, atau SHIPPING\$1ZIP untuk peristiwa karena data tidak valid, nilai placeholder khusus akan digunakan sebagai gantinya. Misalnya, misalkan suatu peristiwa memiliki nilai IP\$1ADDRESS dan BILLING\$1ZIP yang valid, tetapi nilai SHIPPING\$1ZIP tidak valid. Dalam hal ini, pengayaan dilakukan hanya untuk IP\$1ADDRESS-> BILLING\$1ZIP. Pengayaan tidak dilakukan untuk IP\$1ADDRESS-> SHIPPING\$1ZIP dan BILLING\$1ZIP—>SHIPPING\$1ZIP. Sebaliknya, nilai placeholder digunakan di tempatnya. Tidak masalah apakah pengayaan geolokasi diaktifkan untuk model Anda atau tidak, kinerja model Anda tidak berubah.
Anda dapat memilih keluar dari pengayaan geolokasi dengan memetakan variabel BILLING\$1ZIP dan SHIPPING\$1ZIP Anda ke tipe variabel CUSTOM\$1CATEGORICAL. Mengubah tipe variabel tidak memengaruhi kinerja model Anda.
**Format variabel geolokasi**
Kami sangat menyarankan Anda menggunakan format berikut untuk variabel geolokasi untuk memastikan bahwa data lokasi Anda berhasil diperkaya.
| Variabel | Format | Deskripsi |
| --- | --- | --- |
| IP\$1ALAMAT | [IPv4](https://en.wikipedia.org/wiki/IP_address#IPv4_addresses)alamat | Misalnya - 1.1.1.1 |
| BILLING\$1ZIP dan SHIPPING\$1ZIP | Kode pos [ISO 3166-1 alpha-2](https://en.wikipedia.org/wiki/ISO_3166-1_alpha-2) untuk negara yang ditentukan | Untuk informasi selengkapnya, lihat bagian Kode negara dan wilayah dalam topik ini. |
| BILLING\$1COUNTRY dan SHIPPING\$1COUNTRY | [Kode negara standar dua huruf ISO 3166-1 alpha-2](https://en.wikipedia.org/wiki/ISO_3166-1_alpha-2) | Untuk informasi selengkapnya, lihat bagian Kode negara dan wilayah dalam topik ini. Amazon Fraud Detector mencoba mencocokkan semua variasi umum nama suatu negara dengan kode negara standar dua huruf ISO 3166-1 mereka. Namun, kami tidak dapat menjamin mereka akan dicocokkan dengan benar. |
#### Kode negara dan wilayah
Tabel berikut menyediakan daftar lengkap negara dan wilayah yang didukung oleh Amazon Fraud Detector untuk pengayaan geolokasi. Setiap negara dan wilayah memiliki kode negara yang ditetapkan (khususnya, kode negara dua huruf ISO 3166-1 alpha-2) dan kode pos.
**Format kode pos**
+ 9 - angka
+ a - surat
+ [X] - X adalah opsional. Misalnya, Guersney "GY9[9] 9aa” berarti “9aa” dan “GY9 9aa” GY99 valid. Gunakan satu format.
+ [X/XX] - baik X atau XX dapat digunakan. Misalnya, Bermuda “aa [aa/99]” berarti “aa aa” dan “aa 99" adalah valid. Gunakan salah satu dari format ini, tetapi *jangan* gunakan keduanya.
+ Beberapa negara memiliki awalan tetap. Misalnya, kode pos untuk Andorra adalah. AD999 Ini berarti kode negara harus dimulai dengan huruf *AD* diikuti oleh tiga angka.
| Code | Nama | Kode Pos |
| --- | --- | --- |
| AD | Andorra | AD999 |
| AR | Antillen Belanda | 9999 |
| DI | Austria | 9999 |
| AU | Australia | 9999 |
| AZ | Azerbaijan | AZ 9999 |
| BD | Bangladesh | 9999 |
| ADA | Belgium | 9999 |
| BG | Bulgaria | 9999 |
| BM | Bermuda | aa [aa/99] |
| OLEH | Belarus | 999999 |
| CA | Kanada | a9a 9a9 |
| CH | Swiss | 9999 |
| CL | Chili | 9999999 |
| CO | Kolombia | 999999 |
| CR | Kosta Rika | 99999 |
| CY | Cyprus | 9999 |
| CZ | Ceko | 999 99 |
| DE | Germany | 99999 |
| DK | Denmark | 9999 |
| BERBUAT | Republik Dominika | 99999 |
| DZ | Aljazair | 99999 |
| EE | Estonia | 99999 |
| ES | Spain | 99999 |
| FI | Finland | 99999 |
| FM | Negara Federasi Mikronesia | 99999 |
| FO | Kepulauan Faroe | 999 |
| FR | France | 99999 |
| GB | Britania Raya | a [a] 9 [a/9] 9aa |
| GG | Guernsey | GY9[9] 9aa |
| GL | Greenland | 9999 |
| GP | Guadeloupe | 99999 |
| GT | Guatemala | 99999 |
| GU | Guam | 99999 |
| JAM | Croatia | 99999 |
| HU | Hungary | 9999 |
| YAKNI | Ireland | a99 [a/9] [a/9] [a/9] [a/9] |
| IM | Pulau Man | IM9[9] 9aa |
| DI DALAM | India | 999999 |
| ADALAH | Islandia | 999 |
| IA | Italy | 99999 |
| JE | Jersey | JE9[9] 9aa |
| JP | Jepang | 999-9999 |
| KR | Republik Korea | 99999 |
| LI | Liechtenstein | 9999 |
| LK | Sri Lanka | 99999 |
| LT | Lithuania | 99999 |
| LU | Luxembourg | L-9999 |
| LV | Latvia | LV-9999 |
| MC | Monako | 99999 |
| MD | Republik Moldova | 9999 |
| MH | Kepulauan Marshall | 99999 |
| MK | Makedonia Utara | 9999 |
| MP | Kepulauan Mariana Utara | 99999 |
| MQ | Matinique | 99999 |
| MT | Malta | aaa 9999 |
| MX | Meksiko | 99999 |
| SAYA | Malaysia | 99999 |
| NL | Netherlands | 9999 aa |
| TIDAK | Norwegia | 9999 |
| NZ | Selandia Baru | 9999 |
| PH | Filipina | 9999 |
| PK | Pakistan | 99999 |
| PL | Poland | 99-999 |
| PR | Puerto Riko | 99999 |
| PT | Portugal | 9999-999 |
| PW | Palau | 99999 |
| KEMBALI | Reunion | 99999 |
| RO | Romania | 999999 |
| RU | Federasi Rusia | 999999 |
| SE | Sweden | 999 99 |
| SG | Singapura | 999999 |
| SI | Slovenia | 9999 |
| SK | Slovakia | 999 99 |
| SM | San Marino | 99999 |
| TH | Thailand | 99999 |
| TR | Turki | 99999 |
| UA | Ukraina | 99999 |
| AS | Amerika Serikat | 99999 |
| UY | Uruguay | 99999 |
| VI | Kepulauan Virgin, AS | 99999 |
| WF | Wallis dan Futuna | 99999 |
| YT | Mayotte | 99999 |
| ZA | Afrika Selatan | 9999 |
### Pengayaan Useragent
Jika Anda membuat model Account Takeover Insights (ATI), Anda harus menyediakan variabel tipe `useragent` variabel dalam kumpulan data Anda. Variabel ini berisi browser, perangkat, dan data OS dari peristiwa login. Amazon Fraud Detector memperkaya data agen pengguna dengan informasi tambahan seperti `user_agent_family``OS_family`, dan. `device_family`
# Buat variabel
Anda dapat membuat variabel di konsol Amazon Fraud Detector, menggunakan perintah [create-variable](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/frauddetector/create-variable.html), menggunakan, atau menggunakan [CreateVariable](https://docs.aws.amazon.com/frauddetector/latest/api/API_CreateVariable.html) AWS SDK untuk Python (Boto3)
## Buat variabel menggunakan konsol Amazon Fraud Detector
Contoh ini menciptakan dua variabel, `email_address` dan`ip_address`, dan menetapkan mereka untuk jenis variabel yang sesuai (`EMAIL_ADDRESS`dan`IP_ADDRESS`). Variabel-variabel ini digunakan sebagai contoh. Jika Anda membuat variabel yang akan digunakan untuk pelatihan model Anda, gunakan variabel dari kumpulan data Anda yang sesuai untuk kasus penggunaan Anda. Pastikan untuk membaca tentang [Jenis variabel](variables.md#variable-types) dan [Pengayaan variabel](variables.md#variable-enrichments) sebelum Anda membuat variabel Anda.
**Untuk membuat variabel,**
1. Buka [Konsol AWS Manajemen](https://console.aws.amazon.com/) dan masuk ke akun Anda.
1. Arahkan ke Amazon Fraud Detector, pilih **Variabel** di navigasi kiri, lalu pilih **Buat**.
1. Di halaman **variabel Baru**, masukkan `email_address` sebagai nama variabel. Secara opsional, masukkan deskripsi variabel.
1. Dalam **Variable type**, pilih **Email Address**.
1. Amazon Fraud Detector secara otomatis memilih tipe data untuk tipe variabel ini karena tipe variabel ini telah ditentukan sebelumnya. Jika variabel Anda tidak secara otomatis ditetapkan tipe variabel, pilih jenis variabel dari daftar. Untuk informasi selengkapnya, lihat [Jenis variabel](variables.md#variable-types).
1. Jika Anda ingin memberikan nilai default untuk variabel Anda, pilih **Tentukan nilai default kustom** dan masukkan nilai default untuk variabel Anda. Lewati langkah ini jika Anda mengikuti contoh ini.
1. Pilih **Buat**.
1. Di halaman ikhtisar **email\$1address**, konfirmasikan detail variabel yang baru saja Anda buat.
Jika Anda perlu memperbarui, pilih **Edit** dan berikan pembaruan. Pilih **Simpan perubahan**.
1. Ulangi proses untuk membuat variabel lain `ip_address` dan pilih **Alamat IP** untuk tipe variabel.
1. Halaman **Variabel** menunjukkan variabel yang baru dibuat.
**penting**
Kami menyarankan Anda membuat variabel sebanyak yang Anda inginkan dari kumpulan data Anda. Anda dapat memutuskan nanti saat membuat jenis acara variabel mana yang ingin Anda sertakan untuk melatih model Anda guna mendeteksi penipuan dan menghasilkan deteksi penipuan.
## Buat variabel menggunakan AWS SDK untuk Python (Boto3)
Contoh berikut menunjukkan permintaan untuk [CreateVariable](https://docs.aws.amazon.com/frauddetector/latest/api/API_CreateVariable.html)API. Contoh menciptakan dua variabel, `email_address` dan`ip_address`, dan menetapkan mereka untuk jenis variabel yang sesuai (`EMAIL_ADDRESS`dan`IP_ADDRESS`).
Variabel-variabel ini digunakan sebagai contoh. Jika Anda membuat variabel yang akan digunakan untuk pelatihan model Anda, gunakan variabel dari kumpulan data Anda yang sesuai untuk kasus penggunaan Anda. Pastikan untuk membaca tentang [Jenis variabel](variables.md#variable-types) dan [Pengayaan variabel](variables.md#variable-enrichments) sebelum Anda membuat variabel Anda.
Pastikan untuk menentukan sumber variabel. Ini membantu untuk mengidentifikasi di mana nilai variabel diturunkan. Jika sumber variabel adalah **EVENT**, nilai variabel dikirim sebagai bagian dari [GetEventPrediction](https://docs.aws.amazon.com/frauddetector/latest/api/API_GetEventPrediction.html)permintaan. Jika nilai variabelnya`MODEL_SCORE`, itu diisi oleh Amazon Fraud Detector. Jika`EXTERNAL_MODEL_SCORE`, nilai variabel diisi oleh model SageMaker AI yang diimpor.
```
import boto3
fraudDetector = boto3.client('frauddetector')
#Create variable email_address
fraudDetector.create_variable(
name = 'email_address',
variableType = 'EMAIL_ADDRESS',
dataSource = 'EVENT',
dataType = 'STRING',
defaultValue = ''
)
#Create variable ip_address
fraudDetector.create_variable(
name = 'ip_address',
variableType = 'IP_ADDRESS',
dataSource = 'EVENT',
dataType = 'STRING',
defaultValue = ''
)
```
# Hapus variabel
Saat Anda menghapus variabel, Amazon Fraud Detector menghapus variabel tersebut secara permanen dan data tidak lagi disimpan di Amazon Fraud Detector.
Anda tidak dapat menghapus variabel yang disertakan dalam jenis peristiwa di Amazon Fraud Detector. Anda harus terlebih dahulu menghapus jenis acara yang dikaitkan dengan variabel dan kemudian menghapus variabel.
Anda tidak dapat menghapus variabel keluaran model Amazon Fraud Detector dan variabel keluaran model SageMaker AI secara manual. Amazon Fraud Detector secara otomatis menghapus variabel keluaran model saat Anda menghapus model.
Anda dapat menghapus variabel di konsol Amazon Fraud Detector, menggunakan perintah [CLI delete-variable](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/frauddetector/delete-variable.html), menggunakan [DeleteVariable](https://docs.aws.amazon.com/frauddetector/latest/api/API_DeleteVariable.html)API, atau menggunakan AWS SDK untuk Python (Boto3)
## Hapus variabel menggunakan konsol
**Untuk menghapus variabel,**
1. Masuk ke Konsol Manajemen AWS dan buka konsol Amazon Fraud Detector di [https://console.aws.amazon.com/frauddetector](https://console.aws.amazon.com/frauddetector).
1. Di panel navigasi kiri konsol Amazon Fraud Detector, pilih **Resources**, lalu pilih **Variables**.
1. Pilih variabel yang ingin Anda hapus.
1. Pilih **Tindakan**, lalu pilih **Hapus**.
1. Masukkan nama variabel, lalu pilih **Hapus variabel**.
## Hapus variabel menggunakan AWS SDK untuk Python (Boto3)
Contoh kode berikut menghapus variabel *customer\$1name* menggunakan API. [DeleteVariable](https://docs.aws.amazon.com/frauddetector/latest/api/API_DeleteVariable.html)
```
import boto3
fraudDetector = boto3.client('frauddetector')
fraudDetector.delete_variable (
name = 'customer_name'
)
```