Fraud detection adalah proses mengidentifikasi aktivitas atau transaksi yang memiliki indikasi fraud berdasarkan data, pola perilaku, dan berbagai risk signals. Namun, untuk transaksi digital di Indonesia, menghasilkan risk score saja belum cukup.
Sistem fraud detection juga perlu memahami pola transaksi lokal, memberikan alasan mengapa sebuah transaksi dianggap berisiko, membantu menentukan kasus mana yang perlu diprioritaskan, serta menyediakan konteks yang dapat digunakan fraud analyst dan compliance team untuk melakukan review.
Hal ini menjadi semakin relevan ketika transaksi melibatkan QRIS, e-wallet, kartu, bank transfer, hingga pola social engineering yang memiliki karakteristik berbeda.
Karena itu, pertanyaan yang perlu dijawab bukan hanya:
“Apakah sistem dapat mendeteksi transaksi mencurigakan?”
Tetapi juga:
“Apakah sistem dapat mendeteksi risiko yang tepat, menjelaskan alasannya, dan membantu fraud team menentukan tindakan berikutnya?”
Fraud tidak memiliki pola yang sepenuhnya sama di setiap pasar.
Cara konsumen melakukan pembayaran, jenis payment channel yang digunakan, hubungan antar-account, hingga modus social engineering dapat berbeda antara satu negara dengan negara lain.
Dalam konteks Indonesia, ICS Compute mengidentifikasi beberapa pola yang perlu diperhatikan, termasuk QRIS payment chains, perpindahan dana melalui e-wallet, mule behavior, dan WhatsApp scam flows. Fraud model yang dibangun berdasarkan pola transaksi di pasar lain belum tentu memiliki signal yang cukup untuk membaca karakteristik tersebut.
Masalahnya juga tidak berhenti pada transaksi fraud yang gagal terdeteksi.
Rule atau model yang terlalu luas dapat menandai transaksi legitimate sebagai transaksi berisiko. Akibatnya, fraud analyst harus memeriksa lebih banyak alert, sementara pelanggan yang sebenarnya melakukan transaksi normal dapat mengalami unnecessary friction.
Inilah mengapa kualitas fraud detection tidak bisa hanya dinilai berdasarkan seberapa banyak transaksi yang berhasil di-flag.
Sistem juga perlu mempertimbangkan false positives, relevansi signal, kecepatan response, explainability, dan proses review setelah sebuah transaksi dianggap berisiko.
Secara praktis, fraud detection yang digunakan dalam operational environment perlu menghubungkan proses detection dengan investigation.
Bukan hanya menghasilkan:
Transaction A → Risk Score: 87
Tetapi membantu fraud team memahami apa yang menyebabkan score tersebut muncul.
Pendekatannya dapat dibagi menjadi lima tahap:
Fraud detection membutuhkan lebih dari satu data point.
Transaction data dapat dikombinasikan dengan informasi seperti:
ICS Compute Fraud Detection menggunakan pendekatan ini untuk membangun konteks sebelum sebuah transaksi dinilai.
Semakin terbatas konteks yang tersedia, semakin sulit pula membedakan transaksi yang benar-benar mencurigakan dengan aktivitas pelanggan yang sebenarnya normal.
Setelah signal tersedia, sistem dapat mengevaluasi transaksi berdasarkan kombinasi local fraud signals dan risk policy perusahaan.
Di sinilah risk score mempunyai fungsi.
Risk score dapat membantu menentukan tingkat risiko dan memberikan dasar awal untuk memprioritaskan transaksi yang memerlukan perhatian lebih lanjut.
Namun, score tersebut seharusnya tidak menjadi akhir dari proses.
Menurut product specification ICS Compute, proses scoring dapat dilakukan secara real time dengan latency di bawah 100 milidetik, sehingga risk assessment dapat berjalan di dalam transaction flow, bukan hanya melalui delayed review setelah transaksi selesai.
Bayangkan seorang fraud analyst menerima alert dengan informasi:
Risk Score: 92 — High Risk
Informasi tersebut memberi tahu bahwa sistem menemukan sesuatu yang mencurigakan, tetapi belum menjawab pertanyaan yang lebih penting:
Untuk operational fraud detection, pertanyaan tersebut penting karena analyst harus menentukan apakah sebuah alert benar-benar memerlukan tindakan.
Compliance team juga dapat membutuhkan decision trail yang dapat ditinjau ketika harus menjelaskan mengapa transaksi tertentu diblokir, di-escalate, atau diteruskan untuk investigation.
Karena itu, ICS Compute Fraud Detection tidak hanya menghasilkan risk score. Setiap flagged case dapat disertai signals, detected patterns, supporting context, serta plain-language explanation mengenai alasan di balik score tersebut.
Pendekatan seperti ini membuat AI berfungsi sebagai alat bantu investigation, bukan sebagai black-box decision maker.
Salah satu tantangan dalam fraud operations adalah alert noise.
Jika threshold terlalu sensitif atau signal yang digunakan kurang relevan, fraud team dapat menerima banyak alert yang ternyata tidak membutuhkan tindakan.
Akibatnya, waktu analyst digunakan untuk membersihkan queue, sementara kasus dengan risiko lebih tinggi harus bersaing mendapatkan perhatian yang sama.
Karena itu, tujuan fraud detection seharusnya bukan menghasilkan sebanyak mungkin alert.
Yang lebih penting adalah memberikan useful fraud signals dengan konteks yang cukup untuk menentukan prioritas.
ICS Compute membandingkan pendekatan tersebut dengan kondisi ketika local fraud pattern terlewat, terlalu banyak false alerts perlu diperiksa, risk checks terjadi dengan context terbatas, dan compliance tidak mendapatkan penjelasan yang memadai mengenai sebuah keputusan. Dalam pendekatan yang menggunakan local fraud signals, alert dapat diberi risk context yang lebih jelas dan kasus dapat di-score, dijelaskan, serta diteruskan ke analyst dalam transaction flow.
Tidak.
Dalam fraud detection, AI lebih tepat digunakan untuk membantu proses scoring, pattern identification, explanation, dan routing. Keputusan yang membutuhkan business judgement tetap memerlukan manusia.
Pada pendekatan ICS Compute, pembagian perannya dibuat jelas.
Sistem melakukan:
Sementara fraud team tetap bertanggung jawab untuk:
Feedback dari analyst kemudian dapat digunakan untuk memperbaiki future scoring dan menyesuaikan detection terhadap perubahan fraud behavior.
Dengan demikian, human-in-the-loop bukan sekadar lapisan approval di akhir proses.
Keputusan analyst menjadi bagian dari feedback mechanism yang membantu sistem memahami bagaimana risiko benar-benar ditangani dalam operational environment.
ICS Compute Fraud Detection adalah production AI system yang dirancang untuk fraud patterns pada transaksi digital di Indonesia.
Sistem mendukung risk scoring untuk:
Workflow-nya terdiri dari lima tahap:
Ingest → Score → Explain → Escalate → Learn
Pertama, transaction signals dari payment, device, account, customer, dan transaction data dihubungkan ke sistem.
Kemudian setiap transaksi mendapat risk score berdasarkan local fraud signals dan risk policy perusahaan.
Untuk transaksi yang di-flag, sistem memberikan signals, patterns, dan plain-language explanation di balik score tersebut.
High-risk cases kemudian dapat diteruskan ke analyst bersama transaction history, account links, dan supporting context yang relevan.
Keputusan analyst selanjutnya digunakan sebagai feedback untuk memperbaiki future scoring.
Yang membedakan pendekatan ini bukan sekadar penggunaan machine learning untuk menghasilkan score.
Fokusnya adalah membuat seluruh proses dari detection sampai review dapat digunakan di dalam real operational workflow.
ICS Compute sendiri memosisikan Fraud Detection sebagai bagian dari portfolio production AI systems yang dibangun, diintegrasikan, dan dijalankan dalam enterprise environment, bukan sebagai prototype atau standalone AI experiment.
Fraud detection menjadi lebih berguna ketika analyst tidak perlu berpindah-pindah konteks hanya untuk memahami sebuah alert.
Interface ICS Compute Fraud Detection menggabungkan beberapa informasi dalam satu view, termasuk:
Tujuannya adalah membantu analyst berpindah dari pertanyaan “transaksi mana yang di-flag?” menuju pertanyaan yang lebih berguna:
“Mengapa transaksi ini di-flag dan apa yang perlu saya periksa?”
Mengganti fraud workflow yang sudah berjalan tentu bukan keputusan kecil, terutama ketika sistem tersebut berada di dalam payment atau banking environment.
Karena itu, evaluasi tidak harus langsung dimulai dengan live deployment.
ICS Compute menyediakan Historical Scoring Assessment, yaitu proses untuk melakukan re-scoring terhadap sample historical transactions dan membandingkan hasilnya dengan fraud workflow yang saat ini digunakan.
Assessment tersebut dapat membantu melihat tiga area:
Transaksi apa yang sebelumnya masuk ke analyst queue tetapi berpotensi memiliki risk context yang rendah?
Apakah terdapat aktivitas atau relationship tertentu yang tidak tertangkap oleh rule atau model yang digunakan saat ini?
Apakah fraud team dan compliance memiliki konteks yang cukup untuk memahami mengapa sebuah transaksi diberikan keputusan tertentu?
Historical assessment dilakukan tanpa harus terlebih dahulu mengubah live system.
Pendekatan ini memberikan perusahaan ruang untuk mengevaluasi apakah local fraud scoring memberikan informasi tambahan yang relevan sebelum menentukan langkah implementation berikutnya.
Fraud detection memang membutuhkan kemampuan untuk menemukan transaksi yang mencurigakan dengan cepat.
Namun, operational fraud management membutuhkan lebih dari itu.
Sistem perlu memahami signal yang relevan dengan market, menentukan tingkat risiko, menjelaskan alasan di balik keputusan, memberikan konteks kepada analyst, dan belajar dari hasil review.
Karena pada akhirnya, fraud detection bukan perlombaan untuk menghasilkan alert paling banyak.
Nilainya terletak pada kemampuan membantu fraud team menemukan risiko yang tepat, memahami alasannya, dan menentukan tindakan dengan informasi yang lebih lengkap.
Untuk transaksi digital di Indonesia, local payment patterns, explainable decisions, dan human review menjadi bagian penting dari proses tersebut.
Jika perusahaan ingin mengevaluasi bagaimana pendekatan ini bekerja terhadap data yang sudah dimiliki, ICS Compute Historical Scoring Assessment dapat digunakan untuk membandingkan historical transactions dengan existing fraud workflow sebelum melakukan perubahan pada live system.