Cara Kerja AI dalam Deteksi Fraud Perbankan: dari Rule-Based ke Machine Learning

Digitalisasi layanan perbankan membuat transaksi semakin cepat, tetapi juga membuka celah baru bagi pelaku kejahatan finansial. Transfer instan, dompet digital, dan mobile banking membuat jumlah transaksi melonjak, sementara pola penipuan terus berubah. Di sinilah deteksi fraud perbankan dengan AI menjadi semakin relevan bagi bank di Indonesia.

Keterbatasan Sistem Rule-Based

Selama bertahun-tahun, bank mengandalkan sistem berbasis aturan (rule-based). Contohnya: tandai transaksi di atas nominal tertentu, atau transaksi dari negara berisiko tinggi. Pendekatan ini mudah dipahami dan mudah diaudit, tetapi memiliki beberapa keterbatasan:

• Statis. Aturan ditulis berdasarkan pola fraud yang sudah diketahui. Modus baru lolos sampai ada yang menyadari dan menambahkan aturan baru.
• Mudah ditebak. Pelaku dapat mempelajari ambang batas dan menyiasatinya, misalnya dengan memecah transaksi menjadi nominal kecil.
• Banyak alarm palsu (false positive). Aturan yang terlalu longgar atau terlalu ketat sama-sama bermasalah. Hasilnya, tim investigasi dibanjiri alert yang sebagian besar tidak berujung pada fraud, sementara nasabah sah terganggu karena transaksinya terblokir.

Bagaimana Machine Learning Mendeteksi Anomali Transaksi

Machine learning tidak menunggu aturan yang ditulis manusia. Model belajar langsung dari data historis untuk mengenali pola perilaku yang normal maupun mencurigakan. Secara garis besar, prosesnya meliputi:

1. Pengumpulan dan pengayaan data. Data transaksi digabungkan dengan konteks lain, seperti profil nasabah, perangkat, lokasi, waktu, dan riwayat perilaku.
2. Pembentukan perilaku dasar (baseline). Model mempelajari kebiasaan setiap nasabah atau segmen: nominal wajar, frekuensi, merchant yang biasa dipakai, hingga jam transaksi.
3. Deteksi anomali. Ketika transaksi menyimpang jauh dari baseline, misalnya login dari perangkat baru disusul transfer besar ke rekening yang belum pernah dituju, model memberi skor risiko yang lebih tinggi.
4. Supervised dan unsupervised learning. Model supervised belajar dari kasus fraud yang sudah terkonfirmasi. Model unsupervised mencari pola janggal tanpa label, sehingga berguna untuk menemukan modus yang belum pernah terlihat.
5. Skoring real-time. Skor risiko dihitung dalam hitungan milidetik, sehingga bank dapat menahan, menantang, atau meloloskan transaksi sebelum dana berpindah.

Peran Investigator: AI Bukan Pengganti Manusia

AI tidak menggantikan investigator, melainkan membuat kerja mereka lebih terarah. Alih-alih memeriksa ribuan alert secara acak, investigator menerima kasus yang sudah diprioritaskan berdasarkan skor risiko, lengkap dengan konteks dan alasan di balik peringatan.

Keputusan akhir tetap berada di tangan manusia. Hasil investigasi, baik terbukti fraud maupun alarm palsu, kemudian menjadi umpan balik yang memperbaiki model. Kolaborasi inilah yang membuat sistem semakin akurat dari waktu ke waktu. Dalam praktiknya, deteksi fraud juga makin terhubung dengan upaya anti-pencucian uang (AML), karena banyak pola mencurigakan saling berkaitan. Pendekatan terpadu inilah yang dikenal dengan istilah FRAML.

Tantangan Implementasi di Bank

Adopsi AI untuk deteksi fraud tidak sekadar memasang teknologi baru. Beberapa tantangan yang umum dihadapi bank:

• Kualitas dan integrasi data. Data yang tersebar di banyak sistem dan tidak konsisten akan menurunkan akurasi model.
• Explainability. Regulator dan auditor perlu memahami mengapa sebuah transaksi ditandai. Model harus dapat dijelaskan, bukan sekadar “kotak hitam”.
• Keseimbangan antara keamanan dan pengalaman nasabah. Terlalu banyak transaksi yang diblokir akan merugikan nasabah sah.
• Tata kelola model. Model perlu dipantau dan dilatih ulang secara berkala agar tidak menurun performanya (model drift).

Pendekatan SAS: Adaptif, Real-Time, dan Terpadu

SAS memadukan adaptive machine learning dan unsupervised intelligent agents untuk memprediksi transaksi fraud secara real time, berdasarkan perubahan dan ketidakselarasan pola perilaku nasabah. Menurut SAS, menekan false positive meningkatkan kepuasan nasabah, melindungi pendapatan, dan menurunkan biaya.

Kemampuan ini hadir dalam SAS Fraud Management, yang mendeteksi, mencegah, dan mengelola fraud di seluruh perusahaan secara real time dari satu platform. Untuk sisi AML, SAS Anti-Money Laundering memakai pendekatan berbasis risiko guna membantu bank mengungkap aktivitas ilegal dan mematuhi regulasi AML maupun pendanaan terorisme (CTF).

SAS juga menekankan kemitraan manusia dan mesin yang saling menguatkan. Menurut SAS, lebih dari 3.500 institusi keuangan dunia memakai solusinya, dengan pengalaman lebih dari 40 tahun di industri perbankan.

Kesimpulan

Pergeseran dari rule-based ke machine learning bukan berarti meninggalkan aturan sepenuhnya. Aturan tetap berguna untuk kontrol yang pasti, sementara AI menangkap modus yang terus berevolusi. Kombinasi keduanya, dengan investigator terlatih dan tata kelola yang baik, menjadi dasar deteksi fraud perbankan dengan AI yang efektif.

Pelajari Solusi FRAML Bersama MMI

Ingin mengetahui bagaimana bank Anda dapat memperkuat deteksi fraud dan kepatuhan AML dalam satu pendekatan terpadu? Pelajari solusi SAS untuk FRAML bersama PT Mitra Mandiri Informatika (MMI), SAS Strategic Partner untuk sektor jasa keuangan di Indonesia. Hubungi tim MMI untuk berdiskusi dan jadwalkan sesi konsultasi.

FAQ

1. Apa itu deteksi fraud perbankan dengan AI?

Penggunaan machine learning untuk mempelajari pola transaksi dan perilaku nasabah, lalu memberi skor risiko pada transaksi yang menyimpang. Fraud pun terdeteksi lebih cepat dan akurat.

2. Apa bedanya dengan sistem rule-based?

Rule-based memakai aturan tetap yang ditulis manusia. Machine learning belajar dari data, beradaptasi dengan modus baru, dan umumnya menghasilkan lebih sedikit alarm palsu.

3. Apakah AI menggantikan investigator fraud?

Tidak. AI memprioritaskan kasus dan memberi konteks, sedangkan keputusan akhir dan umpan balik untuk model tetap datang dari investigator.

4. Apa itu FRAML?

Pendekatan terpadu untuk fraud dan anti-pencucian uang (AML), karena banyak pola mencurigakan saling berkaitan.

5. Apa tantangan terbesar implementasinya?

Kualitas dan integrasi data, explainability model, keseimbangan antara keamanan dan pengalaman nasabah, serta tata kelola model.