OJK mencatat total kerugian konsumen akibat scam dan fraud mencapai Rp2,5 triliun sepanjang 2022 hingga triwulan I 2024. Dengan modus seperti phishing yang makin marak, tantangan perusahaan bukan hanya mendeteksi fraud, tetapi mendeteksi secara cepat dan akurat tanpa mengganggu transaksi pelanggan yang sah.
Pemanfaatan predictive analytics untuk fraud detection memungkinkan perusahaan FSI mengidentifikasi pola transaksi mencurigakan lebih cepat, bahkan saat transaksi sedang berlangsung. Kombinasi Machine Learning dan data analytics, memastikan sistem dapat menghasilkan risk scoring berdasarkan pola historis dan karakteristik transaksi untuk menentukan apakah suatu aktivitas perlu diteruskan, ditinjau, atau ditangani lebih lanjut.
Tantangan Deteksi Fraud Tradisional di Perusahaan FSI
Fraud detection bukan sekadar mencari transaksi bernilai besar atau aktivitas yang terlihat tidak biasa. Dalam lingkungan FSI, jutaan transaksi dapat terjadi dalam waktu singkat. Sebagian besar merupakan transaksi sah, tetapi di antara volume tersebut terdapat aktivitas yang memiliki karakteristik fraud.
Banyak sistem tradisional masih mengandalkan rule-based detection. Misalnya, transaksi di atas nominal tertentu langsung ditandai, transaksi dari lokasi berbeda dianggap mencurigakan, jumlah transaksi dalam periode tertentu memicu alert, atau aktivitas tidak sesuai parameter langsung masuk ke daftar investigasi.
Pendekatan ini memiliki peran penting, tetapi memiliki keterbatasan saat volume transaksi makin besar dan pola fraud semakin kompleks.
Terlalu Banyak False Positive
Tidak semua transaksi yang tidak biasa merupakan fraud. Pelanggan dapat membeli dengan nilai lebih tinggi, bertransaksi dari lokasi baru, atau melakukan beberapa transaksi dalam waktu singkat. Jika seluruh aktivitas tersebut langsung dianggap fraud, tim investigasi berisiko menghadapi terlalu banyak alert dan menghabiskan waktu serta sumber daya untuk memeriksa transaksi yang sebenarnya legitimate.
Sulit Mengikuti Pola Fraud yang Terus Berubah
Aturan bersifat statis, sementara pola fraud terus berkembang. Penipu dapat mengubah nominal transaksi, waktu aktivitas, pola pembelian, perangkat, hingga metode pembayaran untuk menghindari rule yang sudah dikenal.
Di sinilah predictive analytics menawarkan pendekatan yang lebih adaptif. Sistem tidak menilai apakah transaksi melanggar aturan, sekaligus mengevaluasi seberapa besar kemungkinan transaksi memiliki karakteristik fraud berdasarkan data dan pola yang telah dipelajari.
Cara Kerja Predictive Analytics & Machine Learning dalam Mengidentifikasi Risiko
Predictive analytics menggunakan data historis dan data baru untuk mengidentifikasi pola, menemukan anomali, dan menghasilkan prediksi berdasarkan karakteristik yang tersedia. Dalam konteks AI fraud detection, prosesnya dapat dibagi menjadi beberapa tahap.
1. Streaming Data Ingestion
Setiap transaksi menghasilkan data seperti nilai transaksi, waktu, lokasi, merchant, customer ID, device atau channel, riwayat aktivitas, dan frekuensi transaksi. Data yang masuk dapat diproses melalui arsitektur streaming sehingga perusahaan tidak perlu menunggu proses batch selesai sebelum melakukan analisis. Perusahaan dapat memperoleh insight risiko lebih cepat dan mendukung kebutuhan fraud monitoring real-time.
2. Historical Pattern Matching
Machine Learning menggunakan data historis untuk mempelajari karakteristik transaksi. Model dapat menemukan hubungan antarvariabel yang sulit ditangani menggunakan rule sederhana.
Satu transaksi mungkin tidak terlihat mencurigakan jika hanya dilihat dari nominalnya. Namun, ketika dikombinasikan dengan perubahan lokasi, perangkat baru, frekuensi transaksi, dan pola aktivitas sebelumnya, tingkat risikonya dapat terlihat berbeda.
3. Real-Time Risk Scoring
Ketika transaksi baru masuk, data dapat dikirim ke model untuk menghasilkan risk score. Semakin tinggi tingkat risiko, semakin besar kemungkinan transaksi membutuhkan tindakan tambahan.
Berdasarkan kebijakan perusahaan, hasil risk scoring dapat digunakan untuk meneruskan transaksi, meminta verifikasi tambahan, mengirimkan alert, menandai transaksi untuk investigasi, hingga menahan atau memblokir transaksi sesuai kebijakan dan hasil evaluasi risiko.
Predictive analytics tidak menggantikan seluruh proses fraud investigation, tetapi membantu tim memprioritaskan aktivitas yang membutuhkan perhatian lebih cepat.
Mengembangkan Anti-Fraud System Menggunakan Ekosistem Google Cloud
Membangun sistem deteksi fraud real-time membutuhkan lebih dari satu model Machine Learning. Perusahaan membutuhkan arsitektur yang dapat menerima data dalam volume besar, memproses data secara cepat, menjalankan model, menyimpan data historis, dan menyajikan hasil analisis kepada tim yang tepat.
Ekosistem Google Cloud dapat mendukung kebutuhan tersebut melalui kombinasi layanan data, analytics, dan AI.
Pub/Sub untuk Streaming Data Transaksi
Pub/Sub dapat digunakan sebagai lapisan messaging untuk menerima dan mendistribusikan event transaksi secara real-time. Setiap transaksi dapat dipublikasikan sebagai event dan diteruskan ke sistem atau pipeline yang membutuhkan data tersebut.
Pendekatan event-driven membantu perusahaan membangun proses fraud detection yang lebih responsif dibandingkan menunggu pengolahan batch secara berkala.
Dataflow untuk Pemrosesan Data Real-Time
Dataflow dapat digunakan untuk membangun pipeline pemrosesan data streaming. Mulai dari mengambil data transaksi, membersihkan dan menyiapkan data, melakukan enrichment, mengirim data untuk proses inference, menyimpan hasil analisis, hingga meneruskan alert ke sistem lain.
BigQuery untuk Data Analytics Skala Besar
BigQuery berperan sebagai platform analitik untuk menyimpan, menganalisis, dan mengeksplorasi data transaksi dalam skala besar. Data historis dapat digunakan untuk memahami pola fraud sebelumnya, menganalisis tren, serta menjadi bagian dari proses pengembangan model.
BigQuery ML untuk Fraud Detection Berbasis SQL
BigQuery ML memungkinkan tim membangun, melatih, mengevaluasi, dan menjalankan model Machine Learning menggunakan SQL. Kapabilitas ini dapat membantu mempercepat eksperimen dan pengembangan use case seperti classification, anomaly detection, forecasting, regression, dan clustering.
Vertex AI untuk Model Development dan Deployment
Ketika kebutuhan model menjadi lebih kompleks, Vertex AI dapat digunakan untuk mendukung proses pengembangan, pelatihan, deployment, dan pengelolaan model AI dan Machine Learning.
Model dapat diintegrasikan ke dalam workflow operasional agar hasil analisis dapat digunakan sebagai bagian dari proses decisioning.
Gemini untuk Insight dan Analisis Berbasis AI
Gemini dapat mendukung aktivitas analisis dan eksplorasi data dengan kemampuan AI generatif. Dalam lingkungan enterprise, kapabilitas AI dapat membantu mempercepat proses memahami data, mengeksplorasi insight, dan mendukung produktivitas tim dalam membangun solusi berbasis data dan AI.
Namun, output AI tetap perlu digunakan dengan kontrol, governance, dan validasi yang sesuai, terutama untuk keputusan yang berkaitan dengan risiko finansial.
Looker untuk Fraud Monitoring Dashboard
Hasil risk scoring dan data transaksi perlu dapat dipahami oleh tim fraud, risk, maupun manajemen. Looker dapat digunakan untuk membangun dashboard dan visualisasi yang membantu tim memantau volume transaksi, jumlah transaksi berisiko, fraud trend, pola alert, performa proses monitoring, dan area atau channel dengan tingkat risiko lebih tinggi.
Cloud Storage untuk Data Historis
Data historis merupakan salah satu aset penting dalam predictive analytics. Cloud storage dapat digunakan sebagai bagian dari data lake untuk menyimpan data dalam skala besar dan mendukung kebutuhan pengelolaan data enterprise.
Secara sederhana, arsitektur anti-fraud dapat membentuk alur:
Transaction Stream → Pub/Sub → Dataflow → BigQuery/Feature Data → BigQuery ML atau Vertex AI → Risk Score → Alert & Monitoring Dashboard
Dengan pendekatan tersebut, predictive analytics dapat menjadi bagian dari proses operasional, bukan hanya laporan analitik yang ditinjau setelah transaksi selesai.
Manfaat Utama Mengadopsi Sistem Anti-Fraud Berbasis Predictive Analytics
Mengadopsi predictive analytics dapat memberikan nilai bisnis lebih luas daripada sekadar menambahkan model AI ke dalam proses fraud detection. Beberapa manfaat utamanya meliputi:
- Deteksi lebih cepat dengan mengidentifikasi pola dan transaksi berisiko saat data masuk.
- Mengurangi false positive dengan mengevaluasi lebih banyak variabel dan pola.
- AI-powered risk scoring untuk mendukung proses decisioning yang lebih konsisten.
- Monitoring 24/7 melalui pipeline streaming dan automated analytics.
- Skalabilitas data untuk mendukung pengolahan volume transaksi yang terus tumbuh.
- Identifikasi pola baru melalui Machine Learning dan anomaly detection.
- Efisiensi operasional karena tim fraud dapat lebih fokus pada kasus berprioritas tinggi.
- Mendukung governance dan compliance melalui kontrol akses, data governance, audit logging, dan enkripsi sesuai kebutuhan arsitektur.
Bagi FSI, manfaat terbesar bukan berarti sistem dapat menjamin seluruh fraud akan terdeteksi. Nilai utamanya adalah membantu mengurangi waktu antara munculnya sinyal risiko dan tindakan yang dapat dilakukan.
Cegah Kerugian Bisnis: Bangun Sistem Fraud Detection Bersama Smartnet Magna Global
Membangun sistem anti-fraud berbasis predictive analytics membutuhkan lebih dari sekadar memilih satu teknologi. Perusahaan perlu mempertimbangkan dari mana data transaksi berasal, diintegrasikan, kualitas dan governance, model deployment, hasil risk scoring, hingga model Machine Learning yang sesuai dengan use case.
Smartnet Magna Global (SMG) membantu perusahaan membangun solusi Data Analytics & AI secara end-to-end, mulai dari integrasi data hingga implementasi solusi Google Cloud. Melalui pendekatan terintegrasi, SMG dapat membantu organisasi membangun fondasi mulai dari implementasi AI dan data end-to-end, real-time analytics, enterprise-ready AI, hinge secure & governed data platform.
Sebagai bagian dari CTI Group, SMG didukung tim profesional agar bisnis dapat membangun strategi fraud detection dan predictive analytics andal. Hubungi tim SMG untuk merancang dan mengimplementasikan sistem anti-fraud berbasis data analytics dan AI.
Penulis: Ervina Anggraini – Content Writer CTI Group
