28 August 2026
5 mins

Kerugian Fraud Bank Naik 24% Tahun Ini, Ini Cara Bank Global Menekannya

Ringkasan

Kerugian akibat fraud terus meningkat secara global, dengan median kerugian per kasus naik 24% menurut ACFE. Bank yang masih mengandalkan sistem deteksi berbasis aturan statis menghadapi dua masalah sekaligus: volume false positive yang membebani tim investigasi, dan pola fraud baru yang lolos dari deteksi. Artikel ini merangkum bagaimana sistem fraud detection berbasis analitik dan machine learning dari SAS, yang mencakup skoring transaksi real-time, profil perilaku lintas kanal, dan model ensemble, terbukti menekan kerugian operasional pada sejumlah institusi keuangan. Studi kasus Krungsri Consumer mencatat penurunan false positive 18% dan peningkatan deteksi fraud 35%, sementara CNG Holdings memangkas biaya penanganan fraud hingga 30%. Sebagai SAS Strategic Partner, MMI mendampingi bank di Indonesia mengimplementasikan solusi FRAML yang selaras dengan ketentuan OJK.

Fraud bukan lagi risiko yang bisa ditangani secara reaktif. Association of Certified Fraud Examiners (ACFE) dalam laporan Occupational Fraud 2024: A Report to the Nations mencatat bahwa organisasi rata-rata kehilangan sekitar 5% dari pendapatan tahunannya akibat fraud, dengan median kerugian per kasus yang justru naik 24% dibanding periode sebelumnya, mengakhiri tren penurunan yang sempat terjadi tiga periode berturut-turut. Bagi bank, angka ini bukan sekadar statistik global; ia menggambarkan tekanan nyata terhadap margin operasional, biaya investigasi, dan yang tak kalah mahal, yaitu kepercayaan nasabah.

Artikel ini membahas bagaimana bank dapat menekan kerugian tersebut melalui sistem fraud detection berbasis analitik SAS, mulai dari akar masalah, pendekatan implementasi, hingga dampak yang terukur terhadap operasional, sebagaimana dialami sejumlah institusi keuangan yang telah mengadopsi solusi ini.

Latar Belakang: Tantangan Fraud di Sektor Perbankan

Fraud perbankan hadir dalam berbagai bentuk: transaksi kartu tanpa otorisasi sah, aplikasi kredit dengan identitas sintetis, hingga pola pencucian uang yang bersembunyi di balik ribuan transaksi sah setiap harinya. Tantangan utamanya bukan hanya mendeteksi fraud, melainkan melakukannya tanpa membebani nasabah yang sah dengan alarm yang berlebihan. SAS mencatat bahwa sistem berbasis aturan statis cenderung menghasilkan volume false positive yang tinggi, membuat tim investigasi kewalahan menyaring kasus yang benar-benar berisiko dari ribuan notifikasi yang sebagian besar ternyata transaksi normal.

Di Indonesia, urgensi ini turut ditegaskan secara regulatif. Otoritas Jasa Keuangan (OJK) melalui POJK No. 77/POJK.01/2016 mewajibkan penerapan sistem pengendalian risiko terpadu, termasuk deteksi fraud, sebagai bagian dari tata kelola risiko yang wajib dipenuhi lembaga keuangan. Kombinasi antara tekanan regulasi, kompleksitas skema fraud yang terus berevolusi, dan ekspektasi nasabah akan pengalaman transaksi yang mulus membuat bank membutuhkan pendekatan yang jauh lebih presisi daripada sekadar aturan if-then konvensional.

Pendekatan Implementasi: Analitik dan Machine Learning dari SAS

SAS Fraud Management dan SAS Fraud Decisioning dibangun di atas prinsip yang sama, yaitu menyatukan seluruh data transaksi, perilaku nasabah, dan sinyal eksternal dalam satu platform analitik, alih-alih memantau tiap kanal secara terpisah. Beberapa elemen inti dari pendekatan ini meliputi:

  • Skoring real-time berbasis machine learning. Setiap transaksi, baik pembayaran, aplikasi kredit, maupun aktivitas nonmoneter, dinilai dalam hitungan milidetik menggunakan model prediktif yang dilatih dari pola historis, bukan sekadar daftar aturan tetap.
  • Profil perilaku lintas kanal. SAS memantau perilaku nasabah secara konsisten di berbagai titik interaksi, mulai dari mobile banking, kartu, hingga aplikasi kredit, sehingga anomali yang tampak kecil di satu kanal namun berulang di kanal lain dapat terdeteksi lebih awal.
  • Model ensemble untuk mengurangi false positive. Alih-alih mengandalkan satu model tunggal, kombinasi beberapa teknik pemodelan digunakan agar sistem tetap sensitif terhadap fraud baru tanpa mengorbankan pengalaman nasabah yang sah.
  • Alur kerja investigasi terintegrasi. Begitu anomali terdeteksi, kasus otomatis masuk ke antrean investigasi lengkap dengan konteks data pendukung, mempercepat proses konfirmasi tim risiko dan kepatuhan.

Hasil Nyata: Studi Kasus dari Institusi Keuangan Pengguna SAS

Dampak pendekatan ini telah terlihat pada sejumlah institusi keuangan. Krungsri Consumer, unit consumer finance dari salah satu bank besar di Asia Tenggara, melaporkan bahwa penerapan SAS berhasil menurunkan volume alert kasus sebesar 40%, meningkatkan tingkat deteksi fraud sebesar 35%, dan mengurangi false positive sebesar 18%. Pramote Lalitkitti, Senior Vice President of Fraud Management di Krungsri Consumer, menyatakan bahwa dengan model skoring prediktif SAS, timnya dapat memberikan pengalaman nasabah yang lebih baik sekaligus mendeteksi lebih banyak fraud, dua hal yang sebelumnya sering dianggap saling bertentangan.

Pada kasus lain, sebuah bank yang menerapkan SAS untuk deteksi fraud aplikasi kredit berhasil menemukan volume fraud empat kali lebih besar dari teknik sebelumnya, setara nilai temuan sekitar $3 juta per bulan, dengan mengenali pola identitas sintetis yang tersebar di berbagai aplikasi kredit yang tampak tidak berkaitan. Sementara itu, CNG Holdings mencatat penurunan biaya penanganan fraud sebesar 30% dengan tingkat false positive yang mendekati nol setelah mengadopsi analitik identitas dari SAS.

Pola yang konsisten dari studi-studi kasus ini: penurunan false positive bukan hanya soal efisiensi biaya, melainkan langsung berkorelasi dengan kepercayaan dan kenyamanan nasabah, sementara peningkatan tingkat deteksi berkontribusi langsung menekan kerugian finansial yang sebelumnya lolos dari pengawasan manual.

Baca report selengkapnya: Combating Digital Fraud: Krungsri Consumer’s Strategy to Improve Detection Accuracy by 35% with SAS Fraud Management

Dampak terhadap Operasional dan Langkah Selanjutnya

Jika hasil-hasil di atas dipetakan ke tiga dimensi operasional bank, polanya jelas. Efisiensi tim investigasi meningkat karena volume alert yang perlu ditangani manual berkurang signifikan. Akurasi deteksi naik karena model analitik mampu mengenali pola fraud yang lebih halus dibanding aturan statis. Pengalaman nasabah terjaga karena transaksi sah tidak lagi sering tertahan oleh alarm palsu.

Sebagai SAS Strategic Partner di Indonesia, PT Mitra Mandiri Informatika (MMI) mendampingi institusi keuangan mengimplementasikan solusi FRAML, kerangka analitik SAS yang menyatukan deteksi fraud, manajemen risiko, dan pengawasan anti pencucian uang dalam satu platform, disesuaikan dengan kebutuhan dan ekosistem regulasi perbankan di Indonesia.

Pertanyaan yang Sering Diajukan (FAQ)

Apa itu sistem fraud detection berbasis analitik? Sistem fraud detection berbasis analitik adalah platform yang menggunakan machine learning dan model prediktif untuk menilai risiko setiap transaksi secara real-time, berdasarkan pola perilaku historis, alih-alih hanya mengandalkan daftar aturan statis (rule-based) yang mudah menghasilkan false positive.

Apa bedanya SAS Fraud Management dan SAS Fraud Decisioning? SAS Fraud Management merupakan platform fraud detection dan prevention end-to-end yang mendukung banyak kanal dan lini bisnis dari satu platform terpadu. SAS Fraud Decisioning adalah solusi cloud-native berbasis SAS Viya yang berfokus pada real-time decisioning untuk mendeteksi fraud pembayaran, account takeover, aplikasi, hingga identitas sintetis sepanjang siklus hidup nasabah.

Apakah sistem ini bisa mengurangi false positive tanpa menurunkan akurasi deteksi? Bisa. Studi kasus Krungsri Consumer menunjukkan false positive turun 18% sementara tingkat deteksi fraud justru naik 35%, berkat kombinasi beberapa model (ensemble) yang saling melengkapi, bukan mengandalkan satu aturan tunggal.

Berapa lama waktu yang dibutuhkan untuk implementasi FRAML di sebuah bank? Durasi implementasi bervariasi tergantung kompleksitas data, jumlah kanal transaksi, dan tingkat kesiapan infrastruktur bank. Tim MMI dan SAS biasanya melakukan asesmen awal untuk memetakan kebutuhan spesifik sebelum menentukan roadmap implementasi.

Apakah solusi FRAML sudah sesuai dengan regulasi OJK? Kerangka FRAML dirancang untuk mendukung kepatuhan terhadap ketentuan pengendalian risiko terpadu sebagaimana diatur dalam POJK No. 77/POJK.01/2016, termasuk kebutuhan pelaporan dan jejak audit yang dapat ditelusuri.

Apakah sistem ini hanya untuk bank besar? Tidak. Arsitektur SAS dapat disesuaikan dengan skala institusi, mulai dari bank umum, unit consumer finance, hingga lembaga jasa keuangan lain yang membutuhkan pengendalian risiko fraud dan kepatuhan AML.

Ingin melihat bagaimana solusi FRAML dari SAS dapat diterapkan pada proses fraud detection bank Anda? Request demo FRAML sekarang dan diskusikan tantangan spesifik perusahaan Anda bersama tim kami.

Sumber

  1. ACFE, Occupational Fraud 2024: A Report to the Nations, acfe.com/RTTN
  2. Otoritas Jasa Keuangan, POJK No. 77/POJK.01/2016
  3. SAS, “SAS Fraud Decisioning”, sas.com/en_us/software/fraud-decisioning.html
  4. SAS, “Fraud, AML Detection & Security Intelligence” (studi kasus CNG Holdings), sas.com/en_us/software/detection-investigation-for-banking.html
  5. SAS UK, “Application Fraud – Detecting Fraud in Banks”, sas.com/en_gb/insights/articles/risk-fraud/detect-prevent-banking-application-fraud.html