AI untuk Deteksi Fraud dan Anomali Transaksi

AI untuk deteksi fraud adalah kemampuan sistem menganalisis pola transaksi secara otomatis untuk menandai anomali seperti diskon tidak wajar, retur berulang dari pelanggan yang sama, atau selisih stok yang berulang di gudang tertentu, sehingga potensi kecurangan bisa ditemukan lebih cepat dibanding menunggu audit manual berkala.

Pola anomali yang bisa dideteksi

Kecurangan di bisnis dagang dan distribusi punya pola yang sering berulang, dan pola inilah yang bisa dipelajari sistem untuk ditandai secara otomatis.

• Diskon tidak wajar: staf sales memberi diskon di luar kebijakan yang berlaku, atau selalu memberi diskon maksimal ke pelanggan atau transaksi tertentu tanpa alasan yang jelas.
• Retur berulang: pola retur penjualan atau pembelian yang berulang dari pihak yang sama, kadang menjadi cara menyembunyikan penggelapan barang atau uang.
• Selisih stok berulang: gudang atau kategori barang tertentu yang selalu punya selisih antara catatan dan fisik lebih besar dibanding gudang lain, tanda kemungkinan pencurian sistematis.
• Transaksi di luar jam kerja normal: pembuatan atau pengubahan dokumen di luar jam operasional yang wajar, terutama untuk dokumen bernilai besar.
• Perubahan harga jual mendadak: harga jual satu barang yang berubah-ubah tanpa mengikuti kebijakan harga resmi, bisa jadi tanda kolusi dengan pelanggan tertentu.

Cara deteksi

Sistem yang mendukung deteksi anomali bekerja dengan membandingkan setiap transaksi baru terhadap pola historis yang wajar, lalu menandai transaksi yang menyimpang signifikan dari pola tersebut untuk ditinjau manusia. Ini berbeda dari aturan validasi statis (misalnya batas diskon maksimal 10 persen) karena bisa menangkap pola yang lebih halus, seperti satu staf sales yang secara konsisten memberi diskon 9 persen (di bawah batas resmi tapi selalu mendekati batas) ke pelanggan tertentu, pola yang sulit ditangkap aturan sederhana tapi mencurigakan jika dilihat dari frekuensinya.

Tindak lanjut

Deteksi anomali hanya berguna jika diikuti tindak lanjut yang jelas. Transaksi yang ditandai sebaiknya masuk antrean tinjauan untuk pihak yang berwenang, misalnya manajer keuangan atau pemilik bisnis, bukan otomatis diblokir tanpa konteks, karena tidak semua anomali berarti kecurangan, bisa juga kondisi bisnis yang memang tidak biasa. Proses tinjauan ini perlu didokumentasikan agar ada jejak yang jelas siapa yang meninjau dan apa kesimpulannya.

Privasi

Deteksi anomali melibatkan analisis data transaksi dan aktivitas staf, sehingga penting menjaga transparansi tentang apa yang dipantau dan untuk tujuan apa. Kebijakan yang jelas, misalnya bahwa sistem memantau pola transaksi bukan memata-matai individu secara personal, membantu menjaga kepercayaan staf sekaligus tetap efektif mendeteksi kecurangan yang sesungguhnya.

Contoh di bisnis distribusi

Distributor barang elektronik menerapkan sistem yang menandai transaksi retur penjualan berulang. Dalam sebulan, sistem menandai satu staf gudang yang selalu memproses retur dari toko yang sama, tiga kali dalam sebulan, padahal rata-rata toko lain hanya retur sekali per kuartal. Setelah ditelusuri, ternyata staf ini bekerja sama dengan pemilik toko untuk mencatat barang sebagai retur padahal barangnya tidak pernah benar-benar dikembalikan, lalu menjualnya kembali secara pribadi. Tanpa penandaan otomatis ini, pola tiga retur dalam sebulan dari satu toko mungkin tidak akan terlihat mencurigakan jika hanya dilihat sekilas dari laporan bulanan biasa.

Kesalahan yang sering terjadi

• Mengandalkan deteksi otomatis sepenuhnya tanpa tinjauan manusia, sehingga transaksi yang sebenarnya wajar tapi tidak biasa malah dianggap kecurangan dan mengganggu operasional.
• Tidak menindaklanjuti anomali yang sudah ditandai, sehingga fitur deteksi hanya jadi pajangan tanpa dampak nyata terhadap pencegahan kecurangan.
• Memberi tahu staf secara detail bagaimana sistem mendeteksi anomali, sehingga staf yang berniat curang justru belajar cara menghindari deteksi.
• Tidak memperbarui pola yang dipantau seiring perubahan kebijakan bisnis, sehingga sistem terus menandai transaksi yang sebenarnya sudah sesuai kebijakan baru.

Berapa besar peran manusia yang tetap dibutuhkan

Deteksi anomali berbasis AI tidak menggantikan penilaian manusia, hanya mempercepat proses menemukan transaksi mana yang layak diperiksa lebih dulu, dari ribuan transaksi yang mustahil ditinjau satu per satu secara manual. Manusia tetap dibutuhkan untuk menilai konteks, misalnya apakah lonjakan diskon di satu periode karena promosi resmi yang memang sedang berjalan, atau benar-benar penyimpangan yang perlu ditindaklanjuti.

Perusahaan yang menerapkan deteksi anomali paling berhasil biasanya menetapkan satu penanggung jawab tetap untuk meninjau daftar transaksi yang ditandai setiap minggu, bukan menyerahkannya ke siapa saja yang kebetulan sempat, karena konsistensi peninjauan sama pentingnya dengan akurasi deteksi itu sendiri.

Bagaimana ini terhubung dengan kontrol internal lain

Deteksi anomali berbasis AI adalah lapisan tambahan, bukan pengganti kontrol internal dasar seperti pemisahan tugas dan audit persediaan berkala. Kombinasi keduanya jauh lebih kuat: kontrol dasar mencegah kecurangan sederhana, sementara deteksi anomali menangkap pola yang lolos dari kontrol dasar karena pelakunya cukup memahami celah dalam prosedur yang ada.

Sebagai ilustrasi, pemisahan tugas mencegah satu kasir memegang uang sekaligus mencatat transaksi tanpa pengawasan, tetapi tidak serta-merta mencegah kolusi antara dua staf berbeda yang saling menutupi. Di sinilah deteksi anomali berperan, karena bisa menangkap pola tidak wajar dari kombinasi tindakan dua orang yang masing-masing terlihat sah jika dilihat terpisah, tetapi mencurigakan jika dilihat sebagai satu pola bersama dari waktu ke waktu.

Untuk memahami bagaimana AI membantu tugas analitis lain di luar deteksi fraud, misalnya menemukan tren penjualan yang tidak biasa, lihat AI untuk analisis penjualan dan bagaimana AI membantu menentukan harga jual optimal di AI untuk penetapan harga. Cakupan lebih luas soal peran AI dalam ERP secara umum ada di software ERP AI, dan penerapannya khusus di software akuntansi ada di software akuntansi AI.

Bagi bisnis yang baru mulai mempertimbangkan menerapkan deteksi anomali, langkah paling realistis adalah memulai dari satu atau dua pola paling berisiko sesuai karakter bisnisnya, misalnya diskon tidak wajar untuk toko yang stafnya berhubungan langsung dengan pelanggan, atau selisih stok untuk distributor dengan banyak gudang, alih-alih mencoba memantau semua jenis anomali sekaligus sejak hari pertama, karena terlalu banyak notifikasi sejak awal justru membuat tim mengabaikan semuanya.