Melawan Penipuan Finansial dengan Menggunakan Machine Learning

The Wall Street Journal akhir Setember 2022 yang lalu memberitakan bahwa dalam upaya untuk meningkatkan kewaspadaan Wall Street terhadap kejahatan keuangan.

Jadi, salah satu regulator AS memperkenalkan denda besar bagi anggota pialang-dealer yang terlalu lemah dalam pencegahan pencucian uang. 

Pengenaan biaya akibat mengabaikan aturan yang berusaha mencegah penipuan keuangan tergantung pada ukuran besar kecilnya perusahaan.

Baca juga: Memahami Pengelolaan Data Secara Etis Dalam Bisnis

Untuk perusahaan yang lebih kecil, kegagalan untuk memantau transaksi keuangan secara memadai dan melaporkan aktivitas yang mencurigakan dapat berarti membayar denda mulai dari $10.000 hingga $310.000. Sementara untuk perusahaan besar yang tidak patuh dapat membayar minimal $50.000, tanpa batas atas. [WSJ, 29 September 2022]

Penipuan melalui transaksi keuangan berkembang pesat beberapa tahun teakhir. Menurut survei PYMNTS and Featurespace pada tahun 2022 terhadap 200 pemimpin senior, banyak lembaga keuangan melaporkan tingkat penipuan yang lebih tinggi dibandingkan tahun lalu. Perusahaan kecil mengalami peningkatan penipuan terbesar. 

Sekitar dua pertiga responden dengan aset antara $5 miliar dan $25 miliar mengatakan bahwa mereka kehilangan lebih banyak uang karena transaksi penipuan. 

Sementara itu, sekitar setengah dari perusahaan dengan aset senilai $100 miliar atau lebih mengalami hal yang sama. 

Baca juga: Perlindungan Data dan Perundang-undangan Privasi

Untuk itu, hampir semua eksekutif yang menjadi responden mengatakan mereka ingin memprioritaskan penggunaan teknologi untuk membantu mencegah penipuan dan pencucian uang. [PYMNTS, 22 September 2022]

Baca juga: Peluang Kompetitif Lokalisasi Peraturan Privasi Data

Image: Survei PYMNTS and Featurespace terhadap Fraud dan Kejahatan Finansial (File by Merza Gamal)

Dari kedua berita tersebut di atas, ada momentum yang berkembang di seluruh industri layanan keuangan untuk mencegah penipuan dan pencucian uang, yakni dengan menciptakan minat yang kuat dalam pembelajaran mesin (machine learning/ML) di antara para eksekutif perusahaan. 

Machine Learning (ML) yang memanfaatkan data granular yang berfokus pada perilaku untuk membangun algoritme canggih dapat dengan cepat menyesuaikan diri dengan tren pencucian uang baru dan membantu perusahaan mengurangi risiko kejahatan keuangan. 

Dengan mengganti alat yang ada dengan model ML, satu lembaga keuangan terkemuka meningkatkan kemampuannya untuk mengidentifikasi aktivitas mencurigakan hingga 40%. (McKinsey On Point by publishing@email.mckinsey.com for Merza Gamal private email, 20 Oktober 2022)

Namun demikian, penerapan teknologi baru memerlukan waktu dan investasi tambahan. Dibutuhkan transisi ke teknologi baru, walaupun misalnya sebuah bisnis telah memiliki data yang tepat untuk memicu algoritma antipencucian uang.

Perusahaan perlu menyelaraskan pemangku kepentingan, mengembangkan rencana transisi teknologi bertahap, dan merevisi kerangka kerja mereka untuk pemantauan transaksi.

Ketika perusahaan mengintegrasikan teknologi pemantauan baru, misalnya, karyawan melakukannya bersama dengan sistem yang sudah ada, sehingga sistem lama dapat dihapus secara bertahap.

Untuk mewujudkan manfaat penuh dari pembelajaran mesin dan analitik lanjutan dalam anti pencucian uang, institusi membutuhkan pakar AML (Anti Money Laundering), bakat ilmu data yang kuat, dan sumber data yang andal dalam memerangi jenis kejahatan keuangan ini.

Volume pencucian uang dan kejahatan keuangan lainnya berkembang di seluruh dunia, dan teknik yang digunakan untuk menghindari deteksi mereka menjadi semakin canggih. 

Hal ini telah menimbulkan tanggapan yang kuat dari bank, yang secara kolektif menginvestasikan miliaran setiap tahun untuk meningkatkan pertahanan mereka terhadap kejahatan keuangan (pada tahun 2020, lembaga menghabiskan sekitar $214 miliar untuk kepatuhan kejahatan keuangan).

Terlebih lagi, karena Regulator telah memberlakukan hukuman yang lebih keras, sehingga denda peraturan yang dihasilkan terkait dengan kepatuhan melonjak dari tahun ke tahun. 

Namun demikian, pendekatan tradisional berbasis aturan dan skenario bank untuk memerangi kejahatan keuangan selalu tampak selangkah di belakang orang-orang jahat. 

Untuk itu, perlu menjadikan perang melawan pencucian uang sebagai tantangan berkelanjutan untuk kepatuhan, pemantauan, dan organisasi risiko.

Saat ini, ada peluang bagi bank untuk tampil di depan. Peningkatan terbaru dalam pembelajaran mesin (ML) membantu bank untuk meningkatkan program anti pencucian uang (AML) mereka secara signifikan. Program tersebut termasuk elemen pemantauan transaksi.

Momentum dalam memerangi kejahatan keuangan ini menciptakan minat yang besar terhadap ML di antara para pemimpin industri. 

Dalam focus group discussion (FGD) yang diselengarakan McKinsey pada awal 2022 bersama Pemimpin Anti-Pencucian Uang (AML) dan kejahatan keuangan dari 14 bank besar negara-negara Amerika Utara, dilaporkan bahwa  lebih dari 80 persen peserta telah memulai proses adopsi solusi ML. 

Sebagian besar bank berharap dapat mendedikasikan upaya serius untuk menerapkan solusi ML dalam program AML mereka dalam dua hingga tiga tahun ke depan.

Secara teori, bank dapat menerapkan ML di seluruh rantai nilai AML (Lihat Image.01). Pemantauan transaksi, khususnya, menggabungkan ML dengan algoritme canggih lainnya (misalnya, random forest, peningkatan gradien, pembelajaran mendalam) merupakan tempat bank dapat memperoleh salah satu manfaat paling langsung dan signifikan dalam upaya AML mereka.

Image.01: Aplikasi machine learning dalam pemantauan transaksi finansial (Flie by Merza Gamal)

Saat ini, banyak lembaga keuangan menggunakan alat berbasis aturan dan skenario atau pendekatan statistik dasar untuk pemantauan transaksi. 

Aturan dan ambang batas tersebut didorong oleh tanda bahaya industri, indikator statistik dasar, dan penilaian ahli. Namun aturan tersebut seringkali gagal menangkap tren terbaru dalam perilaku pencucian uang.

Pada sisi lain, model pembelajaran mesin dapat memanfaatkan data indikatif perilaku yang lebih terperinci untuk membangun algoritme yang canggih. Pembelajaran mesin juga lebih fleksibel dalam menyesuaikan dengan cepat tren baru dan terus meningkatkan dari waktu ke waktu. 

Sebagai contoh, dengan mengganti alat berbasis aturan dan skenario dengan model ML, satu lembaga keuangan terkemuka dapat meningkatkan identifikasi aktivitas mencurigakan hingga 40 persen dan efisiensi hingga 30 persen.

Dengan demikian, kini saat beralih ke model ML untuk pemantauan transaksi. Namun sebelumnya, perusahan harus belajar kepada bank yang bisa menjawab tiga pertanyaan utama sebagai berikut:

• Di mana bank harus menggunakan pembelajaran mesin?
• Sumber data tambahan apa yang dibutuhkan?
• Bagaimana seharusnya bank melayani model tersebut?

Ketiga jawaban pertanyaan tersebut akan dibahas pada Artikel berikutnya, jika banyak Kompasianer yang berminat pada topik tersebut.

MERZA GAMAL 

• Author of Change Management & Cultural Transformation
• Former AVP Corporate Culture at Biggest Bank Syariah
• Pengkaji Sosial Ekonomi Islami