Dalam artikel sebelumnya "Melawan Penipuan Finansial dengan Menggunakan Machine Learning" telah disampaikan bahwa volume pencucian uang dan kejahatan keuangan lainnya berkembang di seluruh dunia. Teknik yang digunakan untuk menghindari deteksi pencucian uang (money laundering) 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 menghabiskan sekitar $214 miliar untuk kepatuhan kejahatan keuangan).
Penipuan melalui transaksi keuangan berkembang pesat beberapa tahun terakhir. Menurut survei PYMNTS and Featurespace pada tahun 2022 terhadap 200 pemimpin senior, banyak lembaga keuangan melaporkan tingkat penipuan yang lebih tinggi dibandingkan tahun 2021 yang lalu.
Machine Learning yang digunakan dunia perbankan telah membantu bank untuk meningkatkan program Anti Money Laundering (AML) secara signifikan yang dapat ditiru oleh perusahaan lain. Oleh karena semakin tingginya volume pencucian uang dan  kejahatan keuangan lainnya, maka kini saat beralih ke model ML (machine learning) untuk pemantauan transaksi.
Namun sebelumnya, institusi non bank harus belajar kepada bank yang bisa menjawab tiga pertanyaan utama sebagai berikut:
- Di mana bank harus menggunakan pembelajaran mesin (machine learning)?
- Sumber data tambahan apa yang dibutuhkan?
- Bagaimana seharusnya bank melayani model tersebut?
Ketiga jawaban pertanyaan tersebut dipaparkan sebagaimana berikut di bawah ini.
Sebagai permulaan, penting untuk memahami situasi di mana bank dapat menggunakan machine learning (ML) secara efektif dan di mana yang tidak bisa. Pembelajaran mesin (machine learning) tentu menguntungkan ketika ada tingkat kebebasan yang tinggi dalam memilih atribut data, serta ketersediaan data berkualitas yang memadai (misalnya, dalam skenario di mana ada pergerakan dana yang cepat dan sejumlah besar atribut dapat dipertimbangkan).
ML juga mempermudah untuk mengidentifikasi dinamika dan hubungan antara faktor-faktor risiko. Namun, ML tidak berguna jika data yang ada tidak cukup untuk membangun kecerdasan berwawasan ke depan. Dalam kasus ini, pendekatan tradisional dengan alat berbasis aturan dan skenario, malah lebih efektif.
Saat bekerja dengan laporan aktivitas mencurigakan, kualitas data yang buruk pasti mengarah pada kinerja model yang buruk. Merupakan sesuatu yang penting untuk tidak terlalu bergantung pada kategori laporan aktivitas mencurigakan (misalnya, penataan, pendanaan teroris, pencucian uang, penipuan), yang terbatas di dunia saat ini.Â
Dengan pemikiran tersebut, institusi dapat menjajaki berbagai inisiatif dalam meningkatkan pengumpulan data untuk model ML. Hal tersebut berguna dalam menyediakan konteks yang diperkaya untuk pemantauan transaksi, termasuk pemodelan terhadap transaksi atau kasus individu, komponen pengajuan laporan aktivitas mencurigakan atau hubungan klien yang dihentikan karena alasan AML, dan data dari panggilan pengadilan historis dan permintaan informasi penegakan hukum lainnya.
Model ML yang lebih kompleks ini dapat menggabungkan berbagai elemen dan variabel baru, seperti berikut ini:
- data klien yang disempurnakan (misalnya, sifat bisnis, jenis klien)
- data produk yang lebih komprehensif (misalnya, jenis dan penggunaan produk granular)
- data saluran yang lebih terperinci (misalnya, saluran untuk produk yang berbeda)
- indikator risiko lintas jenis risiko (misalnya, geografi bisnis)
- sumber data eksternal (misalnya, data biro, pencatatan kejahatan keuangan)
Dibandingkan dengan model berbasis aturan, model ML kurang transparan. Saat ini, Â tim serta regulator model risk management (MRM) semakin menuntut "penjelasan" model yang lebih baik, yaitu, metode yang lebih baik untuk menafsirkan model pembelajaran mesin "kotak hitam" (black box), yang dikembangkan dan dipelajari secara langsung dari data tanpa pengawasan atau bimbingan manusia, sehingga mereka dapat menilai modelnya.
Tim pengembangan model pada institusi terkemuka bekerja dengan penyelidik AML (Anti Money Laundering) untuk membantu memastikan bahwa tim memahami data pemodelan, membuat fitur pemodelan yang dapat diinterpretasikan daripada dump data. Kemudian, mengintegrasikan modul ML dengan model dan alat berbasis aturan dan skenario yang ada. Proses transisi harus memanfaatkan platform yang ada, sehingga meningkatkan status quo dan tidak membongkar seluruhnya.
Institusi terkemuka juga mulai membuat pedoman model khusus AML. Beberapa cara khusus yang dilakukan bank untuk meningkatkan kemampuan menjelaskan dan menghasilkan lebih banyak peringatan berkualitas tinggi untuk penyelidik hilir meliputi metode berikut:
- Sampel di luar waktu: Bank harus menyediakan sampel pengujian yang cukup untuk melakukan pengujian model.
- Validasi model: Bank mempertimbangkan risiko spesifik ML, termasuk rekayasa fitur, kalibrasi hyperparameter, bias model terhadap kelas yang dilindungi, penyimpangan model dan kemampuan interpretasi, transparansi, dan kemampuan menjelaskan.
- Pemantauan berkelanjutan: Bank sering melakukan pengujian di bawah garis (Bottom Test Line) untuk membantu memantau kinerja model.
Machine learning (ML) adalah masa depan anti pencucian uang (Anti Money Laundering). Dalam perang melawan pencucian uang, bank secara tradisional selangkah di belakang orang-orang jahat. Dengan ML, sekarang bank memiliki kesempatan untuk mengubah permainan. Teknik analitik tingkat lanjut, khususnya ML dengan analitik jaringan, mampu untuk meningkatkan pemantauan transaksi secara dramatis dengan mengurangi tingkat negatif palsu dan positif palsu, dan dengan mengirimkan peringatan berkualitas lebih tinggi ke penyelidik anti pencucian uang hilir.
Bagi sebagian besar bank, pengembangan membutuhkan investasi waktu dan sumber daya yang signifikan. Untuk mewujudkan manfaat penuh, bagi institusi non bank yang akan menggunakan machine learning perlu membangun kumpulan talent, menciptakan sumber data yang andal, dan memanfaatkan pengetahuan para ahli materi pelajaran. Sesuatu yang sulit, tetapi sepadan dengan usaha yang dipertaruhkan.
MERZA GAMALÂ
- Author of Change Management & Cultural Transformation
- Former AVP Corporate Culture at Biggest Bank Syariah
- Pengkaji Sosial Ekonomi Islami
