Sepanjang 22 November 2024 hingga 31 Agustus 2026, Otoritas Jasa Keuangan (OJK) mencatat 659.419 rekening bank diblokir karena diduga terlibat penipuan finansial. Regulasi terbaru, POJK Nomor 12 Tahun 2024 tentang Penerapan Strategi Anti-Fraud bagi Lembaga Jasa Keuangan, kini mewajibkan setiap bank dan fintech punya sistem deteksi dini yang mengandalkan audit internal, data analytics, dan machine learning untuk menangkap transaksi mencurigakan sebelum dananya berpindah tangan. OJK bahkan sudah membangun Indonesia Anti-Scam Centre (IASC), menghubungkan bank, penyedia layanan pembayaran, marketplace, dan platform aset kripto dalam satu jalur koordinasi deteksi dan pemblokiran.
Sinyalnya jelas. Deteksi fraud berbasis AI bukan lagi wacana masa depan untuk sektor keuangan Indonesia, tapi kewajiban yang sudah berjalan hari ini. Masalahnya, banyak institusi merespons tekanan ini dengan cara yang keliru, langsung mencari vendor model AI atau membangun algoritma deteksi anomali, tanpa lebih dulu memeriksa apakah fondasi datanya sendiri sudah siap menopang model itu.
Kesalahan yang Paling Sering Terjadi, Loncat Langsung ke Algoritma
Godaan untuk langsung membeli atau membangun model AI bisa dimengerti. Tekanan regulasi nyata, tenggat implementasi sudah berjalan, dan vendor teknologi mana pun akan dengan senang hati menjual solusi deteksi fraud generasi terbaru. Tapi ada satu asumsi yang jarang diuji lebih dulu, apakah data transaksi yang akan dipelajari model itu sendiri sudah akurat, lengkap, dan tercatat tepat waktu.
Kenyataannya, model machine learning untuk deteksi anomali bekerja dengan mempelajari pola normal dari data historis, lalu menandai apa pun yang menyimpang dari pola itu. Kalau data yang dipelajarinya sendiri berantakan, transaksi yang belum direkonsiliasi, selisih yang belum ketahuan penyebabnya, catatan yang telat masuk sistem, model itu tidak sedang mempelajari pola fraud yang sebenarnya. Ia sedang mempelajari kekacauan operasional, lalu menandainya seolah-olah itu sinyal fraud.
POJK 12/2024 sendiri sebenarnya sudah memberi sinyal ke arah ini, meski jarang dibaca sampai detail. Aturan itu tidak cuma mewajibkan lembaga jasa keuangan punya sistem deteksi, tapi juga menegaskan bahwa deteksi itu harus berjalan lewat kombinasi audit internal berkala, pemantauan transaksi secara real-time, dan analisis pola menggunakan pendekatan seperti Benford's Law untuk menemukan anomali statistik. Ketiga metode itu sama-sama bergantung pada satu prasyarat yang sama, data transaksi yang lengkap, akurat, dan tercatat tepat waktu. Tanpa itu, audit internal jadi lambat, pemantauan real-time jadi tidak real-time, dan analisis pola statistik jadi bias sejak awal.
Kenapa Model AI Seakurat Data yang Dimakannya
Konsekuensinya konkret dan langsung terasa oleh tim operasional. Kalau fondasi rekonsiliasinya lemah, model anomaly-detection akan menghasilkan terlalu banyak false positive, transaksi sah yang ditandai mencurigakan hanya karena datanya terlambat masuk atau belum ter-matching dengan benar. Tim investigasi jadi kebanjiran alert yang sebagian besar bukan fraud sungguhan, sementara transaksi yang benar-benar berisiko justru bisa tenggelam di antara ribuan alert palsu itu.
Sebaliknya, kalau rekonsiliasi berjalan akurat dan real-time, dengan audit trail yang mencatat setiap kecocokan, setiap pengecualian, dan setiap resolusi lengkap dengan timestamp dan siapa yang menanganinya, model AI di atasnya punya sinyal yang jauh lebih bersih untuk dipelajari. Bukan cuma soal akurasi deteksi, audit trail yang lengkap juga jadi bukti kepatuhan yang bisa langsung diperiksa auditor OJK kapan saja, tanpa perlu rekonstruksi manual.
Tiga Lapis yang Harus Benar Dulu, Sebelum AI Fraud-Detection Efektif
Dari pengalaman kami membangun sistem rekonsiliasi dan settlement untuk institusi perbankan, urutannya selalu sama, tiga lapis yang harus benar satu per satu, bukan dikerjakan sekaligus dari atas.
Lapis pertama adalah rekonsiliasi dan matching transaksi yang akurat. Setiap transaksi dari setiap kanal pembayaran harus benar-benar tercocokkan dengan sumber datanya, dan setiap selisih harus punya alasan yang jelas dan tercatat, bukan dibiarkan menggantung.
Lapis kedua adalah audit trail dan prinsip Four-Eyes di setiap titik kritis. Setiap perubahan data, setiap keputusan pencocokan, dan setiap pengecualian harus melalui verifikasi dua pihak dan tercatat permanen, sehingga jejaknya bisa ditelusuri kapan saja.
Baru di atas kedua lapis itu, lapis ketiga, AI anomaly-detection, punya fondasi data yang cukup bersih untuk benar-benar belajar membedakan pola normal dari pola mencurigakan. Melompat langsung ke lapis ketiga tanpa dua lapis di bawahnya beres sama seperti membangun lantai tiga tanpa lantai satu dan dua, terlihat berdiri sebentar, tapi rapuh begitu diuji dengan volume transaksi sungguhan.
Checklist Sebelum Institusi Anda Investasi ke AI Fraud-Detection
Sebelum menandatangani kontrak dengan vendor AI fraud-detection mana pun, ada beberapa pertanyaan dasar yang layak dijawab dulu secara jujur.
Pertama, apakah setiap kanal pembayaran yang institusi Anda pakai sudah direkonsiliasi secara otomatis dan real-time, atau masih ada proses manual yang rawan telat dan rawan human error.
Kedua, apakah setiap selisih dan pengecualian transaksi punya alur penyelesaian yang jelas dan terekam, atau masih sering dibiarkan dulu untuk dicek belakangan.
Ketiga, apakah audit trail yang ada sekarang benar-benar bisa menjawab siapa mengubah apa dan kapan, untuk setiap transaksi, kapan pun diminta oleh tim kepatuhan atau auditor eksternal.
Keempat, apakah tim Anda sudah punya cukup data historis yang bersih untuk melatih atau mengevaluasi model AI, sebelum model itu benar-benar dipakai di produksi.
Kelima, siapa yang bertanggung jawab menjaga fondasi data ini tetap rapi setelah sistem AI berjalan, karena model yang bagus di hari pertama bisa mulai menghasilkan noise begitu kualitas data di baliknya menurun pelan-pelan.
Kalau jawaban untuk sebagian besar pertanyaan di atas masih belum atau tidak yakin, itu bukan alasan untuk menunda investasi AI, tapi sinyal bahwa urutan pengerjaannya perlu dibalik, membereskan fondasi dulu, baru menambahkan lapis kecerdasannya. Institusi yang memulai dari urutan ini biasanya justru lebih cepat sampai ke sistem deteksi yang benar-benar bekerja, karena waktu yang dihabiskan membereskan rekonsiliasi di awal tidak terbuang percuma, ia langsung menjadi fondasi yang dipakai model AI begitu lapis itu ditambahkan.
Tim kami di XETUP membangun sistem rekonsiliasi dan settlement untuk institusi perbankan dengan prinsip yang sama, Four-Eyes di setiap titik kritis, audit trail lengkap, dan mesin pencocokan transaksi yang dirancang untuk menangani volume tinggi tanpa kompromi akurasi. Kami memposisikan diri sebagai infrastruktur yang membuat lapis kecerdasan di atasnya, baik dari tim internal maupun vendor mana pun, punya fondasi data yang layak dipercaya.
Kalau institusi Anda sedang mengevaluasi kesiapan rekonsiliasi dan audit trail sebelum melangkah ke investasi AI fraud-detection, tim kami terbuka untuk diskusi awal, tanpa komitmen apa pun.