Deteksi Penipuan AI dan Masa Depan Keamanan Pembayaran

Sistem keamanan pembayaran dapat tampak hampir sempurna namun gagal pada tugas terpentingnya. Jika penipuan hanya merupakan sebagian kecil dari transaksi, algoritma yang menyetujui semuanya akan benar sebagian besar waktu. Pelanggan mungkin mengalami lebih sedikit gangguan, tetapi penjahat tidak akan menemui perlawanan.

Ketegangan itu berada di pusat tinjauan sistematis baru oleh Herlina Manurung dan Dyah Rizki Arinengsih, yang diterbitkan dalam Social Sciences & Humanities Open.¹ Dengan mensintesis 38 studi tentang pelaporan keuangan, pembayaran, dan deteksi penipuan berbasis jaringan, para peneliti berpendapat bahwa perlindungan yang dapat diandalkan memerlukan lebih dari sekadar skor tolok ukur yang mengesankan.

Bagi bank, jaringan pembayaran, dan investor, implikasinya bersifat praktis. Deteksi penipuan yang lebih baik dapat melindungi pendapatan dan mengurangi biaya operasional. Namun, manfaat tersebut bergantung pada sistem yang dapat membedakan perilaku mencurigakan dari aktivitas sah, tetap berguna saat penjahat beradaptasi, dan menyediakan bukti yang dapat ditindaklanjuti oleh penyidik.

Mengapa Akurasi Tinggi Dapat Menyembunyikan Deteksi Penipuan yang Lemah

Pertimbangkan sebuah platform pembayaran hipotetik yang memproses 100.000 transaksi, di mana 100 di antaranya adalah penipuan. Model yang memberi label setiap transaksi sebagai sah mencapai akurasi 99,9% namun tidak mendeteksi penipuan sama sekali.

Sekarang bayangkan sebuah sistem yang menangkap 80 transaksi penipuan tetapi secara keliru menandai 1% dari 99.900 transaksi sah. Sistem tersebut menghasilkan 1.079 peringatan, termasuk 999 alarm palsu. Hanya sekitar 7,4% dari peringatannya yang mengidentifikasi penipuan sebenarnya. Angka-angka ini menggambarkan masalah; mereka bukan hasil dari tinjauan.

Sistem semacam itu mungkin masih dapat mencegah kerugian yang signifikan, tergantung pada nilai transaksi dan cara peringatan ditangani. Namun kegunaannya tidak dapat dinilai hanya dari akurasi. Penyidik harus memproses peringatan, pelanggan mungkin menghadapi tantangan yang tidak perlu, dan pedagang dapat kehilangan penjualan yang sah.

Oleh karena itu, tinjauan ini menekankan presisi, recall, dan evaluasi yang sensitif biaya. Presisi mengukur berapa banyak kasus yang ditandai memang melibatkan penipuan. Recall mengukur seberapa banyak penipuan yang berhasil ditangkap oleh sistem. Tidak satu pun metrik ini menggantikan kebutuhan untuk memahami konsekuensi finansial dari kesalahan.

Tujuan komersialnya adalah mengurangi total kerugian: kerugian akibat penipuan, biaya penyelidikan, gesekan pelanggan, dan pendapatan yang hilang akibat penolakan yang keliru.

Apa yang Ditemukan dalam Tinjauan Deteksi Penipuan

Penulis menyusun temuan mereka berdasarkan empat dimensi: menangani peristiwa langka dan biaya kesalahan yang tidak setara, menjaga evaluasi yang dapat dipercaya, menahan perubahan kondisi serta manipulasi yang disengaja, dan menggunakan hubungan serta bukti yang dapat diinterpretasikan.

Analisis deskriptif mereka mengungkapkan kesenjangan antara pemodelan yang canggih dan pengujian ketahanan yang terdokumentasi.

Kategori-kategori ini tumpang tindih. Jumlahnya mewakili frekuensi minimum yang didukung oleh rangkuman sumber penulis, sehingga metode yang tidak dilaporkan tidak otomatis dianggap tidak ada.

Tinjauan ini juga memiliki keterbatasan. Buktinya sebagian besar berasal dari penelitian berbahasa Inggris yang terindeks Scopus, dan catatan penyaringan historis yang tidak lengkap membatasi jejak auditnya. Perbedaan antara set data, definisi penipuan, dan metode evaluasi menghalangi agregasi kuantitatif. Tinjauan ini memberikan kerangka desain yang berguna, bukan bukti bahwa satu algoritma secara konsisten mengungguli setiap alternatif.

Mengapa Model Penipuan Harus Diuji Menghadapi Masa Depan

Model yang dilatih dengan transaksi kemarin menghadapi dua jenis perubahan. Perilaku sah berubah seiring pelanggan bepergian, pedagang meluncurkan promosi, dan kebiasaan pembayaran berkembang. Penjahat juga mengubah strategi mereka untuk menghindari deteksi. Tinjauan ini membedakan perubahan distribusi dari perilaku adversarial yang disengaja, sekaligus menunjukkan mengapa keduanya penting.

Pengujian dapat secara tidak sengaja menyembunyikan tantangan ini. Pembagian acak transaksi historis dapat menempatkan catatan yang saling terkait di kedua set pelatihan dan evaluasi. Model kemudian memperoleh manfaat dari pelanggan atau pola yang dikenal, yang tidak selalu tersedia saat menghadapi aktivitas baru yang sesungguhnya.

Pengujian pada periode yang lebih akhir, atau memisahkan entitas antara pelatihan dan evaluasi, memberikan penilaian yang lebih menantang. Bahkan demikian, kinerja harus dipantau setelah penerapan.

Ini menunjukkan cara berbeda untuk menilai teknologi penipuan: tanyakan seberapa cepat penurunan menjadi terlihat dan seberapa aman sistem dapat pulih. Skor awal yang kuat memiliki nilai terbatas jika serangan baru tidak terdeteksi selama berminggu‑minggu.

Pertanyaan operasional yang berguna meliputi:

• Berapa banyak penipuan yang tertangkap dengan volume peringatan yang dapat dikelola?
• Seberapa sering transaksi yang sah terganggu?
• Apa yang terjadi ketika perilaku berubah atau penyerang beradaptasi?
• Dapatkah penyidik memahami dan memverifikasi bukti?

Graph AI Dapat Mengungkap Jaringan Penipuan

Transaksi individual jarang menceritakan seluruh kisah. Beberapa pembayaran yang tampak biasa dapat menjadi mencurigakan ketika mereka berbagi perangkat, terhubung ke akun tujuan yang sama, atau membentuk urutan tidak biasa di antara pedagang.

Pembelajaran berbasis graf merepresentasikan entitas sebagai node yang terhubung, memungkinkan model memeriksa hubungan bersama atribut transaksi. Hal ini dapat membantu mengidentifikasi perilaku terkoordinasi yang terlewatkan oleh penilaian transaksi terisolasi.

Pentingnya analisis relasional yang lebih luas meluas ke crypto wash trading and market manipulation, di mana aktivitas yang tampaknya independen dapat menyembunyikan koordinasi. Tugas deteksi berbeda, tetapi keduanya menggambarkan mengapa aktivitas agregat dapat menyesatkan tanpa konteks.

Graf memperkenalkan kerentanannya sendiri. Penjahat dapat menciptakan koneksi yang tampak sah untuk menyamarkan akun mencurigakan, sementara hubungan yang usang atau tidak lengkap dapat mendistorsi penilaian risiko. Oleh karena itu, tinjauan memperlakukan informasi struktural sebagai sesuatu yang harus divalidasi dan dilindungi, bukan jaminan otomatis hasil yang lebih baik.

Penjelasan juga penting di sini. Menunjukkan kepada penyidik akun atau jalur transaksi di balik peringatan dapat mempermudah pemeriksaan bukti. Namun, hal itu tidak serta merta membuktikan bahwa penipuan terjadi.

Deteksi Penipuan yang Lebih Baik Dapat Melindungi Pendapatan Pembayaran

Peluang ekonomi melibatkan lebih dari sekadar menghentikan pencurian. Transaksi sah yang ditolak secara keliru dapat mengarahkan pelanggan ke kartu atau pedagang lain. Peringatan berlebih juga menyerap waktu staf yang seharusnya dapat digunakan untuk menyelidiki ancaman yang lebih serius.

Seperti yang dijelaskan oleh Securities.io tentang card networks, issuers, acquirers, and processors, pembayaran melibatkan banyak bisnis dengan peran berbeda. Perbaikan dalam keputusan otorisasi dapat menciptakan manfaat di seluruh rantai transaksi, meskipun manfaat tersebut tidak akan dirasakan secara merata oleh setiap peserta.

Diskusi Mastercard tahun 2026 mengenai AI payment fraud prevention menyoroti pengurangan tinjauan manual dan penurunan false positive sebagai tujuan bisnis. Penjelasannya memberikan konteks komersial, bukan validasi independen atas tinjauan akademis.

Implikasi yang berguna adalah bahwa deteksi dan intervensi harus dievaluasi bersama. Skor risiko dapat memicu penahanan sementara, otentikasi tambahan, tinjauan manual, atau penolakan. Memilih respons yang tepat dapat sama pentingnya dengan menghasilkan skor tersebut.

Mastercard Menawarkan Eksposur pada Keamanan Pembayaran AI

Insentif ini menjadikan Mastercard perusahaan yang relevan bagi investor yang tertarik pada infrastruktur keuangan berbasis AI.

Produk Decision Intelligence Pro menggabungkan teknik graf dan model AI generatif untuk menilai risiko transaksi menggunakan konteks perilaku dan relasional. Mastercard memposisikan layanan ini untuk meningkatkan deteksi penipuan sekaligus mengurangi penolakan yang salah.

Koneksi ke tinjauan bersifat konseptual. Makalah tersebut tidak menguji produk Mastercard maupun memverifikasi klaim komersialnya. Namun, pendekatan perusahaan menunjukkan bagaimana informasi jaringan dan analisis kontekstual dapat menjadi layanan yang dijual kepada institusi keuangan.

Bagi investor, keunggulan potensial terletak pada penggabungan intelijen transaksi, hubungan pelanggan yang mapan, dan integrasi ke dalam alur kerja otorisasi. Apakah hal ini menjadi keunggulan kompetitif yang tahan lama tergantung pada pelaksanaan, tata kelola data, layanan pesaing, dan hasil terukur pelanggan.

Mastercard juga memberikan eksposur pembayaran yang lebih luas, bukan sekadar investasi murni pada deteksi penipuan. Valuasi dan kinerja bisnis keseluruhannya tetap penting saat menilai peluang tersebut.

Berita dan Perkembangan Terbaru Mastercard (MA)

Deteksi Penipuan AI yang Andal Memerlukan Hasil yang Terukur

Tinjauan ini mendukung optimisme tentang keamanan keuangan yang lebih baik, sambil memperjelas apa arti kemajuan. Keberhasilan memerlukan penangkapan aktivitas berbahaya yang lebih banyak tanpa menimbulkan gangguan yang tidak proporsional, mempertahankan kinerja saat kondisi berubah, dan memberikan bukti yang berguna bagi penyidik.

Keunggulan kompetitif berikutnya mungkin datang dari menghubungkan kemampuan tersebut ke operasi yang dapat diandalkan. Bagi perusahaan pembayaran, tolok ukur yang berarti adalah berapa banyak nilai yang tetap terlindungi setelah memperhitungkan kerugian penipuan, biaya operasional, dan gesekan pelanggan.

Referensi:

¹ Manurung, H., & Arinengsih, D. R. (2026). Pembelajaran mesin yang kuat untuk deteksi penipuan pada kondisi ketidakseimbangan, kelangkaan, dan perilaku adversarial: Bukti di seluruh pelaporan keuangan, pembayaran, dan ekosistem graf. Social Sciences & Humanities Open, 14, 103697. https://doi.org/10.1016/j.ssaho.2026.103697