Deteksi Fraud di Bank dan Fintech: Tantangan, False Positive, dan Strategi Mitigasi

Deteksi fraud bukan sekedar menemukan transaksi yang tidak biasa. Bank dan perusahaan fintech memproses transaksi dalam jumlah besar dengan pola yang terus berubah.

Di dalam arus transaksi tersebut, aktivitas fraud tidak selalu muncul dalam bentuk yang mudah dikenali. Transaksi bernilai besar, perubahan perangkat, lokasi yang berbeda, atau peningkatan frekuensi transaksi memang dapat menjadi sinyal risiko, tetapi masing-masing juga dapat terjadi dalam aktivitas nasabah yang sah.

Inilah salah satu tantangan utama dalam deteksi fraud: membedakan perilaku yang benar-benar berisiko dari aktivitas normal yang kebetulan tidak biasa.

Sistem yang terlalu longgar dapat melewatkan fraud. Sebaliknya, sistem yang terlalu sensitif dapat menghasilkan terlalu banyak false positive, meningkatkan beban investigasi, dan mengganggu pengalaman pengguna yang sebenarnya melakukan transaksi sah.

Tantangan tersebut semakin penting karena pola fraud terus beradaptasi terhadap mekanisme keamanan yang digunakan institusi finansial.

Dalam laporan bersama European Central Bank (ECB) dan European Banking Authority (EBA) mengenai payment fraud pada 2025, strong customer authentication (SCA) masih dinilai efektif terhadap jenis fraud yang memang dirancang untuk dicegah. Namun, keduanya juga mencatat peningkatan fraud yang memanipulasi pengguna agar secara sah mengotorisasi transaksi kepada pelaku.

Artinya, penerapan fraud detection tidak cukup hanya dengan menambahkan semakin banyak aturan. Bank dan fintech membutuhkan pendekatan yang dapat membaca pola, mempertimbangkan konteks, menghubungkan berbagai sinyal risiko, serta menentukan alert mana yang benar-benar perlu ditindaklanjuti.

Tantangan 1: Pola Fraud Berubah, Sementara Rules Cenderung Statis

Salah satu pendekatan yang umum dalam fraud detection adalah menggunakan aturan atau rule-based detection.

Misalnya, sistem mampu memberikan alert ketika transaksi melebihi nominal tertentu, dilakukan berkali-kali dalam waktu singkat, berasal dari lokasi yang tidak biasa, atau melibatkan rekening dengan karakteristik risiko tertentu.

Tapi rule tetap memiliki fungsi penting, pola fraud yang telah diketahui dapat diterjemahkan menjadi aturan yang memberikan respons cepat ketika kondisi serupa kembali muncul.

Masalahnya, apa yang terjadi saat pelaku memahami batas tersebut?

Jika transaksi di atas nominal tertentu mendapat pemeriksaan tambahan, dana dapat dipecah menjadi sejumlah transaksi yang lebih kecil. Jika pola tertentu sudah dikenali, pelaku dapat mengubah waktu, rekening perantara, nominal, atau pola aktivitas agar semakin menyerupai perilaku pengguna normal.

Karena itu, rules sebaiknya dipandang sebagai salah satu lapisan deteksi, bukan keseluruhan sistem fraud detection.

Teknik seperti rule-based analysis, anomaly detection, dan pendekatan analitik lain dapat digunakan sesuai karakteristik risiko yang ingin dicari.

Tantangan 2: Anomali Tidak Selalu Berarti Fraud

Kemampuan menemukan anomali sangat berguna dalam fraud detection. Namun, "tidak biasa" dan "fraud" bukan dua hal yang sama.

Nasabah yang selama ini bertransaksi dalam jumlah kecil dapat tiba-tiba melakukan pembelian bernilai besar. Pengguna dapat melakukan transaksi dari lokasi baru saat bepergian. Bisnis dapat mengalami lonjakan penerimaan saat memasuki musim penjualan tertentu.

Semua aktivitas tersebut dapat berbeda dari baseline historis tanpa melibatkan fraud. Inilah mengapa false positive menjadi persoalan penting.

Apabila threshold terlalu sensitif atau setiap penyimpangan dianggap memiliki tingkat risiko yang sama, sistem dapat menghasilkan alert dalam jumlah besar.

Tim fraud kemudian harus menghabiskan waktu memeriksa aktivitas yang sebenarnya sah, sementara alert dengan risiko lebih tinggi bersaing mendapatkan perhatian yang sama. Karena itu, pertanyaan fraud detection seharusnya tidak berhenti pada: "Apakah transaksi ini berbeda dari biasanya?"

Sistem juga perlu membantu menjawab: "Apakah terdapat konteks lain yang membuat perbedaan tersebut relevan sebagai risiko fraud?"

Konsep ini juga sejalan dengan pembahasan FATF mengenai penggunaan teknologi untuk AML/CFT. FATF menjelaskan bahwa teknologi analitik dapat membantu institusi meningkatkan identifikasi risiko, mengurangi false positive, dan mengarahkan sumber daya kepada aktivitas yang lebih relevan untuk diperiksa.

Tantangan 3: Fraud Sering Terlihat sebagai Pola, Bukan Satu Transaksi

Satu transaksi sering kali tidak cukup untuk menunjukkan aktivitas fraud.

Transfer sebesar Rp5 juta, misalnya, belum memberikan informasi yang cukup ketika dilihat secara terpisah. Gambarnya berubah apabila transaksi tersebut merupakan salah satu dari puluhan transfer dengan nominal serupa yang bergerak melalui beberapa rekening dalam periode singkat.

Fraud detection karena itu membutuhkan kemampuan menghubungkan berbagai karakteristik, seperti:

Nilai analisis muncul ketika informasi tersebut dibaca sebagai pola, bukan sekadar kumpulan transaksi independen.

Dalam konteks ini, analisa fraud bukan hanya pekerjaan mencari transaksi terbesar atau transaksi yang melewati threshold. Analisis perlu melihat hubungan antaraktivitas untuk menemukan pola yang sulit terlihat apabila setiap transaksi diperiksa secara terpisah.

Institusi finansial sebenarnya memiliki banyak informasi yang berpotensi membantu proses deteksi. Namun, informasi tersebut tidak selalu berada pada sistem atau format yang sama.

Sinyal risiko dapat berasal dari:

Masalahnya bukan hanya seberapa banyak data yang tersedia, tetapi apakah informasi yang relevan dapat dihubungkan ketika sebuah transaksi perlu dievaluasi.

Perubahan pola transaksi, misalnya, dapat terlihat tidak terlalu signifikan ketika dianalisis sendirian. Risiko dapat berubah ketika aktivitas yang sama disertai perubahan perangkat, informasi identitas yang tidak konsisten, atau hubungan dengan akun yang sebelumnya telah menjadi perhatian.

FATF membahas manfaat penggunaan teknologi dan advanced analytics untuk mengolah kumpulan data yang besar serta menemukan pola atau hubungan yang sulit diidentifikasi melalui proses tradisional.

Di titik ini, proses transformasi informasi dari dokumen ke data yang dapat diproses juga menjadi relevan ketika dokumen menjadi salah satu sumber informasi pendukung analisis.

Tantangan 5: Deteksi yang Cepat Tetap Harus Mempertahankan Presisi

Pada pembayaran digital, kecepatan menciptakan tantangan tambahan. Ketika transaksi dapat diselesaikan dalam waktu sangat singkat, organisasi memiliki waktu yang lebih sedikit untuk mendeteksi aktivitas mencurigakan sebelum dana berpindah.

Namun, meningkatkan sensitivitas sistem secara agresif juga dapat meningkatkan risiko menahan transaksi pengguna yang sah. Fraud detection karena itu memiliki dua konsekuensi yang sama-sama perlu diperhitungkan:

Mengurangi salah satunya tanpa mempertimbangkan yang lain dapat menciptakan masalah baru.

Laporan ECB–EBA mengenai fraud menunjukkan contoh mengapa pendekatan berlapis diperlukan. SCA efektif mengurangi jenis fraud tertentu, tetapi tidak menghilangkan fraud secara keseluruhan karena pelaku dapat bergeser ke modus lain, termasuk manipulasi terhadap pengguna yang kemudian mengotorisasi transaksi sendiri.

Dengan demikian, efektivitas fraud detection tidak tepat apabila hanya dinilai dari jumlah alert yang dihasilkan. Kualitas alert dan kemampuan sistem memprioritaskan risiko juga perlu menjadi bagian dari evaluasi.

Tidak ada satu metode yang mampu menangkap seluruh jenis fraud. Pendekatan yang lebih kuat menggunakan beberapa mekanisme untuk menjawab tipe risiko yang berbeda.

Implementasinya dapat mencakup:

Advanced analytics dapat memperluas kemampuan monitoring, tetapi kualitas hasil tetap bergantung pada data yang digunakan dan bagaimana sistem tersebut diterapkan.

FATF secara eksplisit membahas peluang sekaligus keterbatasan teknologi baru dalam meningkatkan efektivitas proses identifikasi dan mitigasi financial crime, sehingga teknologi sebaiknya ditempatkan sebagai bagian dari kerangka pengendalian yang lebih luas.

Model Membantu Memprioritaskan, Investigator Menilai Konteks

Machine learning maupun sistem risk scoring dapat membantu memproses volume data yang sulit diperiksa satu per satu secara manual.

Model dapat digunakan untuk menemukan pola, memberikan risk score, mengurutkan alert, atau mengidentifikasi hubungan dengan karakteristik kasus sebelumnya.

Namun, skor risiko bukan bukti bahwa fraud telah terjadi. Aktivitas yang secara statistik tidak biasa dapat memiliki alasan bisnis yang sah. Sebaliknya, fraud yang dirancang untuk menyerupai perilaku normal mungkin tidak menghasilkan anomali yang ekstrem.

Karena itu, fungsi model lebih tepat dilihat sebagai prioritization layer. Sistem membantu menentukan aktivitas mana yang layak diperiksa lebih jauh, sedangkan investigasi membantu memahami konteks dan bukti yang tersedia.

Pada industri perbankan, fraud juga berkaitan dengan pengelolaan risiko operasional. Basel Committee mendefinisikan operational risk sebagai risiko kerugian akibat proses internal, manusia, atau sistem yang tidak memadai atau gagal, maupun akibat peristiwa eksternal.

Kerangka Basel juga mengharuskan bank memiliki proses untuk mengidentifikasi, menilai, memonitor, melaporkan, serta mengendalikan atau memitigasi risiko operasional.

Basel Framework bahkan mengklasifikasikan internal fraud serta sejumlah bentuk theft and fraud sebagai kategori kejadian kerugian operasional, termasuk unauthorized transactions, misappropriation, forgery, credit fraud, dan account takeover.

Tantangan utama deteksi fraud di bank dan fintech bukan hanya menemukan transaksi yang terlihat berbeda. Institusi finansial perlu menentukan apakah penyimpangan tersebut benar-benar menunjukkan risiko, mengenali pola yang berubah, menghubungkan sinyal dari berbagai sumber, dan merespons dengan cepat tanpa membanjiri proses investigasi dengan false positive.

Karena itu, sistem fraud detection yang efektif membutuhkan pendekatan berlapis. Rules tetap berguna untuk pola yang sudah diketahui, sementara analisis anomali dan pola membantu mengidentifikasi aktivitas yang tidak tercakup oleh rules.

Risk scoring membantu memprioritaskan pemeriksaan, sedangkan investigator memberikan konteks terhadap sinyal yang ditemukan sistem.

Pada akhirnya, kualitas fraud detection tidak ditentukan oleh seberapa banyak alert yang berhasil dihasilkan. Nilainya terletak pada kemampuan organisasi menemukan sinyal yang paling relevan, memahami konteksnya, dan mengarahkan sumber daya investigasi kepada risiko yang memang membutuhkan tindakan.