Penulis: Alessandro Chimera (Director of Digitalization Strategy, TIBCO)
Industri perbankan telah melalui berbagai siklus evolusi selama berabad-abad. Kita sudah meninggalkan zaman dulu, dengan brankas penyimpanan di era Wild West dan arsitektur zaman Viktoria yang identik dengan aula yang luas dan struktur bangunan marmer, menuju era saat ini.
Dewasa ini, kita telah beralih dengan cepat dari petugas di meja ke ATM, dan di beberapa negara juga terdapat layanan tanpa turun (drive-through) dengan fasilitas parkir. Namun, temuan-temuan modern ini pun juga sudah mulai dilampaui, diperbarui, dan digantikan.
Akses dari Mana Saja, tanpa Gesekan, tanpa Hambatan
Didorong oleh peningkatan popularitasnya di kalangan muda-mudi generasi Z, sistem pembayaran elektronik dan penggunaan aplikasi perbankan telah menjadi hal umum. Kini, kita berekspektasi untuk dapat melakukan transaksi, mengakses uang, dan berinteraksi dengan layanan perbankan di mana pun dan kapan pun dengan bebas hambatan dan aman melalui perangkat pilihan kita.
Dengan munculnya generasi baru ‘bank penantang’ yang bahkan tidak berinvestasi untuk bangunan fisik, dan dengan bayang-bayang mata uang kripto, kita memerlukan pendekatan baru dalam mengamankan sistem perbankan digital dan ekonomi yang makin terdigitalisasi dari risiko penipuan transaksi.
Risiko yang timbul dari pemakaian kanal transaksi digital yang masih berevolusi dewasa ini tergolong banyak dan berlapis. Seiring pemakaian dompet mobile dan aplikasi perbankan, kita makin meningkatkan kecepatan berjalannya transaksi. Hal ini menyulitkan kemampuan untuk mencermati, memeriksa, dan menganalisis setiap transaksi untuk menilai risikonya menjadi penipuan.
Semua ini terjadi saat bank sendiri memiliki beragam masalah akibat buruknya pengelolaan, pemeliharaan, pengorganisasian, dan kestabilan data selama beberapa tahun atau dekade. Saat sejumlah silo data yang tidak saling terhubung dan selaras digabungkan, rintangan tradisional pada organisasi dapat menjadi hambatan bagi terciptanya bisnis yang terhubung dan sigap.
Menghindari Kesalahan Positif Palsu
Tantangan besar bagi organisasi yang mengoperasikan sistem perbankan modern adalah perjuangan menghadapi kesalahan positif palsu (false positive). Saat transaksi ditandai sebagai potensi penipuan walau sebenarnya bukan, layanan jadi tertunda, sehingga pelanggan pun frustrasi dan dapat berakhir dengan berpindah bank.
Positif palsu terjadi di mana-mana. Situs web analisis berita global, Global Investigations Review/GIR, mengestimasi bahwa 98% peringatan dari sistem perbankan digital tidak pernah berujung pada Laporan Transaksi Mencurigakan (Suspicious Transaction Report/STR). Kejadian seperti ini dapat mengakibatkan kerugian pada bank berupa denda dan jatuhnya reputasi.
Di dunia yang sarat pemrosesan pembayaran secara hampir instan, sistem pendeteksian penipuan yang berbasis peraturan tradisional hanya bisa sebagus kode rancangannya. Dalam hal ini, sistem tersebut tidak cukup pintar.
Harusnya ada cara yang lebih baik — dan memang ada; kita bisa menggunakan pendeteksian anomali.
Pendeteksian Anomali
Berdasarkan definisi resminya, anomali adalah variasi atau penyimpangan tak terduga dari pola yang diharapkan dalam set data tertentu. Penyimpangan ini mengindikasikan bahwa satu atau lebih kondisi input telah berubah; dan pergerakan di luar apa yang bisa didefinisikan sebagai kondisi ‘normal’ dapat digunakan untuk memicu tanggapan yang tepat, sehingga menjadi langkah melawan penipuan, kebocoran keamanan, atau bahkan masalah kinerja operasional.
Baik lembaga keuangan tradisional maupun modern memproses data yang belimpah dari berbagai jenis set data, pusat data, dan repositori data. Dengan menggunakan pendeteksian anomali, lembaga-lembaga tersebut dapat menemukan transaksi yang menyimpang dari pola yang biasa atau perilaku yang telah diobservasi sebelumnya.
Pendeteksian anomali dapat berupa tiga jenis: pendeteksian visual, pembelajaran terarah, dan pembelajaran tidak terarah.
- Pendeteksian visual memerlukan kehadiran analis data, peneliti data, atau spesialis industri dalam mempelajari dasbor yang terdiri dari bagan, grafik, pengukur, tolok, dan visualisasi data lainnya, untuk menemukan variasi pada data. Pendeteksian visual memang berguna, tapi bergantung pada kemampuan dan kapasitas manusia yang dibatasi oleh pengetahuan spesialis industri yang terlibat.
- Pembelajaran terarah juga melibatkan manusia, yang akan bekerja untuk melabeli set data yang terdefinisi sebagai normal atau abnormal. Dalam hal ini, peneliti data menggunakan data yang dilabeli ‘normal’ untuk membuat model pembelajaran mesin yang dapat mendeteksi anomali pada data yang belum dilabeli. Teknik ini juga berguna, tapi memiliki kekurangan dalam menghadapi ancaman penipuan yang terus berevolusi.
- Pembelajaran tidak terarah adalah metode yang paling berbasis mesin dari tiga jenis pendeteksian anomali. Metode ini menganalisis data waktu nyata tidak terstruktur dengan menggunakan penyandi otomatis dan algoritma pembelajaran mesin untuk mengidentifikasi anomali, tanpa intervensi manusia. Pada sistem perbankan modern yang memerlukan persetujuan instan, metode pembelajaran tidak terarah sangat berguna dalam mendeteksi pola yang tidak diketahui dari set data yang besar.
Melalui penguatan pendeteksian anomali dengan AI (artificial intelligence — kecerdasan buatan), ML (machine learning — pembelajaran mesin), pemrosesan peristiwa, dan analitik mutakhir, lembaga keuangan dapat mendeteksi munculnya pola penipuan pada aliran data waktu nyata. Mereka lalu dapat menganalisis pola tersebut dalam konteks riwayat transaksi secara keseluruhan, dan menandai potensi penipuan waktu nyata secara instan untuk dikaji secara manual.
Salah satu perusahaan yamg memanfaatkan teknologi tersebut adalah Asurion, penyedia jasa asuransi, garansi, dan dukungan perangkat terkemuka untuk ponsel, barang elektronik sehari-hari, dan peralatan rumah tangga. Dengan menggunakan platform analitik untuk tingkat perusahaan, Asurion mengestimasi penurunan rasio sengketa penipuannya sebesar sampai 50%. Selain itu, analitik mutakhir juga membantu mencegah penipuan dan risiko pada sistemnya, sehingga menghasilkan pengalaman pelanggan yang lebih baik.
Pendekatan Holistik Campuran
Mengingat banyaknya faktor untuk dipertimbangkan — berikut vektor serangan penipuan yang terus berlipat ganda dan berubah-ubah setiap harinya — wajar jika pendekatan holistik campuran menjadi kiat paling bijaksana menjaga keamanan operasional di lingkungan ini. Pendekatan ini merupakan campuran model terarah dan tidak terarah yang dikombinasikan melalui AI/ ML, pemrosesan peristiwa, dan analitik untuk menghasilkan indikasi potensi penipuan yang paling akurat.
Penerapan platform pendeteksian anomali untuk mengatasi penipuan pada layanan perbankan dan keuangan digital sama halnya dengan memilih teknologi yang mudah beradaptasi, modular, dan fleksibel. Dengan demikian, organisasi dapat menyesuaikan diri seiring munculnya skenario penipuan baru.
Dengan mengintegrasikan penemuan data dan pembuatan model statistik ke dalam satu solusi, lembaga keuangan generasi baru dapat membuat perangkat visual yang mengumpulkan data dalam waktu nyata dari sejumlah sumber, dan mengubahnya melalui berbagai cara untuk mengkaji suatu peringatan dengan serinci mungkin.
Dari batangan emas di era Wild West hingga bitcoin di era masa depan, kini kita dapat menggunakan pendeteksian anomali untuk mengamankan brankas dan membuat tabungan kita lebih aman. Ingat, saat polisinya sedang keluar kota, kita tetap perlu pengawas untuk mengamankan situasi.