Beyond Detection: Bagaimana AI Membantu Institusi Keuangan Beralih dari Fraud Alert ke Fraud Action

Kecepatan transaksi kini tidak hanya menentukan seberapa cepat uang berpindah, tetapi juga seberapa cepat institusi keuangan harus mengenali dan merespons risiko. Di tengah pertumbuhan pembayaran real-time, kemampuan mendeteksi fraud saja tidak lagi cukup. Institusi membutuhkan sistem yang dapat memahami konteks risiko dan mengubahnya menjadi keputusan serta tindakan sebelum kerugian terjadi. 

Ketika Kecepatan Transaksi Menjadi Kecepatan Risiko

Transaksi keuangan yang dapat diselesaikan dalam hitungan detik memberi institusi keuangan ruang yang semakin terbatas untuk merespons fraud. Saat transaksi mencurigakan baru terdeteksi beberapa menit atau beberapa jam setelah terjadi, kesempatan untuk mencegah kerugian bisa saja sudah terlewat. Karena itu, tantangan fraud management saat ini bukan hanya menemukan sinyal risiko, tetapi juga mengubahnya menjadi keputusan dan tindakan sebelum risiko berkembang menjadi kerugian. 

Skala pembayaran real-time di Indonesia menunjukkan mengapa kebutuhan tersebut semakin mendesak. Bank Indonesia mencatat pada triwulan IV 2025, BI-FAST memproses 1.358,65 juta transaksi dengan nilai Rp3.442,26 triliun, tumbuh 30,44% secara tahunan. Pertumbuhan ini membuat kecepatan, ketersediaan, dan keamanan harus berjalan beriringan. Ketika uang dapat berpindah semakin cepat, waktu yang tersedia bagi institusi untuk mendeteksi dan memitigasi risiko pun menjadi semakin singkat. (Bank Indonesia, 2025) 

Besarnya tantangan juga terlihat dari skala penanganan fraud di industri. Otoritas Jasa Keuangan melaporkan hingga 31 Maret 2025, Indonesia Anti-Scam Centre (IASC) telah menerima 79.969 laporan dengan total kerugian yang dilaporkan mencapai Rp1,7 triliun. Dari 82.336 rekening yang dilaporkan, sebanyak 35.394 rekening telah diblokir. Data tersebut menunjukkan ketika fraud sudah terjadi, proses investigasi dan pemulihan harus berjalan dengan cepat. Namun, dari sisi pencegahan, institusi membutuhkan kemampuan untuk mengenali risiko dan mengambil tindakan sedini mungkin. (OJK, 2025) 

Dari Alert ke Action: Mengapa Pendekatan Tradisional Semakin Terbatas

Secara umum, sistem fraud detection tradisional bekerja dengan memeriksa transaksi berdasarkan rule tertentu dan menghasilkan alert ketika suatu kondisi dianggap mencurigakan. Alert tersebut kemudian diteruskan kepada analis untuk ditinjau. Model seperti ini tetap memiliki peran penting, terutama untuk menerapkan kebijakan dan kondisi risiko yang sudah ditentukan. Namun, ketika jumlah transaksi meningkat dan pola fraud menjadi semakin beragam, proses tersebut dapat menghadapi sejumlah keterbatasan. 

Salah satunya adalah latensi. Jika alert baru muncul setelah transaksi selesai, institusi mungkin sudah kehilangan kesempatan untuk mencegah kerugian. Di sisi lain, semakin banyak rule yang diterapkan untuk menangkap berbagai skenario fraud, semakin besar pula kemungkinan tim menghadapi alert overload yang membutuhkan peninjauan manual. Situasinya semakin menantang karena fraudster terus mengubah perilaku dan taktik mereka, sehingga rule yang efektif hari ini belum tentu tetap relevan ketika pola baru muncul. 

Karena itu, Fraud Detection System (FDS) modern perlu melakukan lebih dari sekadar mendeteksi dan mengirimkan alert. Sistem perlu mampu menilai konteks risiko secara real-time, menerapkan kebijakan yang sesuai, lalu menentukan tindakan yang tepat, apakah transaksi dapat disetujui (approve), perlu ditinjau (review), atau harus ditolak (reject). Ketika intervensi manusia masih dibutuhkan, analis juga perlu mendapatkan konteks yang cukup agar dapat mengambil keputusan dengan lebih cepat dan tepat. 

Mengapa Real-Time Fraud Detection Menjadi Fondasi?

Kebutuhan tersebut semakin relevan dengan perkembangan infrastruktur pembayaran real-time di Indonesia. PADG Nomor 14 Tahun 2025 memperkuat keamanan BI-FAST dengan mengharuskan Penyedia Jasa Keuangan (PJK) memiliki pengelolaan fraud dan menerapkan teknologi sistem deteksi fraud pada level akun dan transaksi sebagai first line of defense. Ketentuan tersebut juga mencakup pemantauan operasional, early warning system, serta kemampuan menangani indikasi anomali dan fraud. (Bank Indonesia, 2025) 

Dalam kondisi seperti ini, Real-Time Fraud Detection bukan hanya tentang seberapa cepat sistem memproses sebuah transaksi. Bagian terpenting adalah memastikan evaluasi risiko dapat dilakukan ketika transaksi masih berada di dalam transaction flow. Dengan begitu, institusi memiliki kesempatan untuk melakukan mitigasi ketika transaksi masih berada dalam transaction flow, bukan hanya menemukan indikasi fraud setelah transaksi selesai. 

Materi Sokratech membedakan delayed response, near-real-time response, dan real-time response. Pada pendekatan real-time, keputusan dibuat dengan latensi rendah sehingga tindakan dapat dilakukan segera. Situs resmi Sokratech menyebutkan, FDS-nya dirancang untuk pengambilan keputusan real-time dengan decision latency di bawah 250 milidetik. (Sokratech, 2026). 

Namun, kemampuan memproses transaksi dengan cepat saja belum cukup. Sistem juga perlu memahami apa yang sedang terjadi di balik sebuah transaksi. Di sinilah AI mulai memberikan peran yang lebih besar.

Lalu, Di Mana Peran AI?

Sebuah transaksi tidak selalu dapat dinilai hanya dari nominal atau jenis transaksinya. Aktivitas yang terlihat normal secara individual bisa menjadi lebih berisiko ketika dilihat bersama dengan konteks lain, seperti perangkat yang digunakan, pola login, frekuensi transaksi, atau perubahan perilaku nasabah. 

AI menjadi semakin bernilai ketika berbagai sumber informasi tersebut dapat dianalisis secara bersama. Sistem dapat menggabungkan data transaksi, perangkat, sesi, perilaku, dan konteks historis untuk membentuk risk signal yang memberikan gambaran lebih lengkap mengenai suatu aktivitas. 

Lalu, bagaimana fraud detection tools belajar mengenali pola yang normal? 

Dalam praktiknya, “normal” bukan berarti satu angka atau pola yang berlaku untuk semua nasabah. Baseline dapat terbentuk dari berbagai karakteristik, mulai dari frekuensi dan nominal transaksi, waktu transaksi, perangkat yang digunakan, hubungan dengan akun atau penerima, hingga perubahan perilaku dibandingkan histori sebelumnya. Dengan memahami pola tersebut, sistem dapat mengenali ketika sebuah aktivitas mulai menyimpang dari kebiasaan yang sebelumnya terlihat normal. 

Sokratech menggambarkan kemampuan ini melalui real-time risk scoring dan AI-based fraud detection. Platform dapat menggabungkan login data, transaction data, device data, session data, dan behaviour data untuk membantu menentukan apakah suatu aktivitas perlu disetujui, ditinjau, atau ditolak. (Sokratech, 2026) 

AI-Based Fraud Detection: Dari Sinyal Menjadi Keputusan

Kemampuan AI untuk membaca pola menjadi semakin penting ketika skenario fraud tidak selalu mudah diterjemahkan menjadi rule secara manual. Dalam materi Sokratech, misalnya, terdapat skenario seperti banyak transfer bernilai kecil dalam waktu singkat, lonjakan nominal dibandingkan kebiasaan sebelumnya, transaksi bernilai besar setelah akun lama tidak aktif, hingga pembayaran dalam jumlah besar kepada penerima baru. Masing-masing kondisi mungkin belum cukup untuk menyimpulkan sebuah transaksi adalah fraud, tetapi ketika dibaca bersama dengan konteks lainnya, sinyal tersebut dapat memberikan indikasi risiko yang lebih kuat. (Sokratech, 2026) 

Meski demikian, AI tidak harus bekerja sendiri. Rule-based detection tetap penting karena rules dapat merepresentasikan kebijakan bisnis dan risk appetite yang sudah ditetapkan oleh organisasi. Karena itu, kombinasi antara rules, model, risk score, dan workflow dapat memberikan keseimbangan antara kemampuan AI dalam mengenali pola dan kontrol yang dibutuhkan untuk menjalankan strategi fraud secara konsisten. 

Dengan kombinasi tersebut, sistem tidak hanya bertanya apakah sebuah transaksi terlihat mencurigakan, tetapi juga dapat menghubungkan risk signal dengan kebijakan dan menentukan tindakan yang sesuai. 

Baca Juga: Ketika Real-Time Payment Fraud Berpacu dengan Fraud Detection System 

No-Code Rule Engine: Membuat Fraud Strategy Lebih Adaptif

Pola fraud dapat berubah dengan cepat, sehingga strategi deteksi juga perlu mengikuti perubahan tersebut. Masalahnya, respons terhadap pola baru akan menjadi lebih lambat jika setiap perubahan rule harus melalui proses development yang panjang dan bergantung sepenuhnya pada tim engineering. 

Sokratech menyediakan no-code rule engine yang memungkinkan tim membuat, menguji, dan menerapkan rule tanpa selalu bergantung pada engineering. Rule dapat menggunakan frequency, velocity, duration, amount, matchlist, dan kondisi lainnya. Contoh yang ditampilkan dalam materi meliputi transaksi lebih dari 300% rata-rata nominal bulanan, lebih dari 14 inbound BI-FAST transfer dalam 24 jam, atau interval yang sangat singkat antara login dan pembayaran. (Sokratech, 2026) 

Bagi tim fraud, kemampuan ini memberikan ruang untuk merespons pola baru dengan lebih cepat. Ketika sebuah skenario mulai terlihat mencurigakan, tim dapat membuat rule yang relevan, mengujinya terhadap data historis, lalu menerapkannya melalui workflow yang terkontrol. Strategi fraud pun dapat terus disesuaikan tanpa harus menunggu perubahan kode untuk setiap kebutuhan. 

Backtesting: Menguji AI dan Rule Sebelum Masuk Produksi

Kecepatan dalam mengubah strategi tetap perlu diimbangi dengan pengujian. Rule yang terlalu agresif memang dapat menangkap lebih banyak aktivitas mencurigakan, tetapi pada saat yang sama berisiko meningkatkan false positive dan mengganggu transaksi nasabah yang sebenarnya sah. Sebaliknya, rule yang terlalu longgar dapat membuat aktivitas fraud lolos dari deteksi. 

Karena itu, back testing menjadi bagian penting dalam proses pengembangan strategi fraud. Sokratech menyediakan kemampuan untuk menguji rule menggunakan data historis sebelum strategi tersebut diterapkan. Materi produk juga menyebutkan custom machine-learning model service yang dapat membantu melatih model yang explainable atau menggunakan AI untuk merekomendasikan rule. (Sokratech, 2026) 

Proses ini juga memungkinkan human-in-the-loop tetap menjadi bagian dari fraud operations. AI dapat membantu menemukan kandidat pola atau merekomendasikan rule, tetapi tim fraud tetap dapat meninjau dan menyetujui rekomendasi tersebut sebelum diuji dan dipromosikan ke workflow produksi. Dengan begitu, otomatisasi tetap berjalan dalam proses yang terukur dan dapat dikendalikan. 

Dari Keputusan Otomatis ke Investigasi yang Tetap Terkendali

Tidak semua transaksi berisiko dapat atau seharusnya langsung ditolak. Dalam situasi tertentu, sebuah alert mungkin membutuhkan review manual agar analis dapat melihat konteks yang lebih luas sebelum menentukan tindakan. Karena itu, kemampuan untuk mengelola investigasi tetap menjadi bagian penting dari fraud operations. 

Sokratech menyediakan case management untuk mengubah alert menjadi case, memfasilitasi proses review, serta mendukung tindakan approve atau reject melalui UI dan webhook. Dynamic list management juga memungkinkan organisasi mengelola blacklist, watchlist, greylist, dan whitelist secara real-time. (Sokratech, 2026) 

Kontrol tersebut juga perlu berjalan bersama governance yang jelas. Sokratech melalui maker-checker deployment, version control dan rollback, audit trail, serta role-based access control dapat membantu memastikan perubahan strategi dan keputusan tetap dapat ditelusuri. Dengan cara ini, otomatisasi tidak menghilangkan peran manusia, tetapi membantu menempatkan intervensi manusia pada titik yang memang membutuhkan judgment. (Sokratech, 2026) 

Use Case: Transaksi Terlihat Normal, tetapi Konteksnya Tidak

Bayangkan seorang nasabah melakukan transfer dengan nominal yang masih berada dalam batas normal. Jika hanya nominal yang diperiksa, transaksi tersebut mungkin tidak memicu alert. Namun, sistem juga melihat bahwa dalam beberapa menit terakhir akun yang sama telah melakukan sejumlah transaksi, login dilakukan menggunakan perangkat baru, jarak antara login dan pembayaran sangat singkat, dan penerima merupakan pihak yang baru pertama kali menerima dana. 

Jika setiap sinyal diperiksa secara terpisah, sebagian besar aktivitas tersebut mungkin terlihat biasa saja. Namun, ketika data transaksi, perangkat, sesi, dan perilaku dianalisis secara bersama, konteks risikonya menjadi berbeda. Risk score kemudian dapat membantu menentukan jalur keputusan: transaksi disetujui (approve) ketika risikonya rendah, diarahkan untuk review apabila membutuhkan investigasi lebih lanjut, atau ditolak (reject) ketika memenuhi kondisi fraud yang telah ditetapkan. 

Contoh ini menunjukkan mengapa fraud detection modern tidak berhenti pada pertanyaan apakah sebuah transaksi terlihat mencurigakan. Tidak kalah penting adalah memahami konteks di balik transaksi tersebut dan menentukan tindakan yang sesuai dengan tingkat risikonya. 

Menuju Fraud Operations yang Lebih Adaptif

Kemampuan tersebut membuka ruang bagi fraud operations untuk berkembang dari sekadar proses deteksi dan review menjadi proses yang semakin adaptif. AI dapat membantu analis menemukan pola risiko, menghasilkan risk signal, dan merekomendasikan rule, sementara risk scoring, workflow, dan case management membantu mengarahkan proses pengambilan keputusan. Peran manusia tetap penting, terutama ketika sebuah kasus membutuhkan pertimbangan yang tidak dapat sepenuhnya ditentukan oleh model atau rule. 

Dalam konteks pembahasan Agentic AI, evolusi ini dapat dilihat sebagai pergeseran dari automation menuju intelligent orchestration. Konsepnya bukan berarti setiap FDS sudah menjadi autonomous agent, melainkan bahwa AI dapat semakin berperan dalam menghubungkan data, model, rules, policy, dan workflow untuk mendukung pengambilan keputusan yang lebih kontekstual, dengan tetap mempertahankan human oversight. 

Sokratech menjadi contoh bagaimana berbagai komponen tersebut dapat dibangun dalam satu platform, mulai dari real-time fraud detection dan AI-based risk intelligence hingga no-code rules, backtesting, automated decisioning, case management, dynamic lists, dan governance. Bagi bank dan fintech, tujuan akhirnya bukan menghasilkan lebih banyak alert, melainkan membangun fraud operations yang mampu mengambil keputusan secara cepat, konsisten, terukur, dan tetap dapat diaudit. (Sokratech, 2026). 

Di era pembayaran real-time, waktu antara munculnya sinyal fraud dan kebutuhan untuk bertindak semakin singkat. Karena itu, institusi keuangan membutuhkan lebih dari sekadar sistem yang dapat memberi tahu bahwa sebuah transaksi berpotensi berisiko. Mereka membutuhkan kemampuan untuk menilai konteks, menentukan tingkat risiko, dan menghubungkannya dengan tindakan yang tepat selama transaksi masih berlangsung. 

Dari Fraud Alert ke Fraud Action

AI dapat memperkuat proses tersebut dengan membantu memahami pola perilaku, menghasilkan risk signals, merekomendasikan rule, dan mengurangi beban analisis manual. Ketika kemampuan tersebut dipadukan dengan rule engine yang adaptif, back testing, automated workflows, case management, dan governance, tim fraud memiliki fondasi untuk bergerak dari sekadar mendeteksi potensi fraud menuju pengambilan keputusan yang lebih cepat dan terukur. 

Bisa disimpulkan, pergeseran dari Fraud Alert ke Fraud Action bukan hanya tentang membuat sistem mendeteksi fraud lebih cepat, tetapi memastikan setiap sinyal risiko dapat diterjemahkan menjadi keputusan yang tepat, pada waktu yang tepat, dengan tingkat kontrol yang sesuai. 

Saatnya Beralih dari Fraud Alert ke Fraud Action

Institusi keuangan membutuhkan fraud prevention yang dapat mengikuti kecepatan transaksi sekaligus menjaga kontrol dan governance. Dengan Real-Time Fraud Detection, AI-based risk intelligence, no-code rule engine, back testing, automated decisioning, dan case management, tim fraud dapat membangun proses yang lebih responsif tanpa kehilangan kendali atas bagaimana keputusan dibuat dan diterapkan. 

Pelajari bagaimana Sokratech dapat membantu institusi Anda mendeteksi, menilai, dan merespons risiko fraud secara real-time. Hubungi tim Q2 Technologies, bagian dari CTI Group, untuk mendapatkan demo dan mendiskusikan use case yang sesuai dengan kebutuhan bisnis Anda. 

Penulis: Jessica Sharon Putranto – Marketing Officer Q2 Technologies

Editor: Wilsa Azmalia Putri – Content Writer CTI Group