Ada perang yang hampir tidak kelihatan ketika kita bayar kopi, transfer uang, top up, atau checkout marketplace.
Di satu sisi, bank dan payment provider memakai model untuk mencari pola transaksi yang mencurigakan.
Di sisi lain, penipu juga memakai AI untuk membuat identitas, pesan, suara, video, dan pola transaksi yang lebih meyakinkan.
AI melawan AI.
Kalau kedengarannya seperti judul film sci-fi, realitanya jauh lebih mundane. Bentuknya bukan robot duel. Bentuknya sistem yang harus memutuskan dalam hitungan detik apakah transfer Rp3,8 juta jam 23.47 itu transaksi normal atau akun yang sudah diambil alih.
Bank Indonesia pada 2026 mempublikasikan studi tentang penggunaan AI dan machine learning untuk mengidentifikasi pola transaksi ilegal. Dalam studi kasus judi daring, pendekatan hybrid yang menggabungkan clustering, classification, dan graph machine learning berhasil mengidentifikasi lebih dari 90 persen akun sindikat yang terkait, sekaligus memangkas waktu untuk menandai 1.000 akun dari sekitar satu minggu kerja manual menjadi sekitar 30 menit.
Angka itu menunjukkan kenapa AI menarik buat fraud detection.
Volume transaksi terlalu besar untuk diperiksa manusia satu per satu.
Pada Mei 2026 saja, Bank Indonesia mencatat volume pembayaran digital mencapai lebih dari 5 miliar transaksi dalam sebulan. Kalau risk team harus membaca setiap transaksi manual, sistem pembayaran berhenti sebelum makan siang.
AI membantu menyaring.
Dia mencari anomali.
Nominal tidak biasa.
Device baru.
Lokasi yang berbeda.
Frekuensi transaksi.
Hubungan antar rekening.
Pola waktu.
Merchant.
History.
Dan ratusan sinyal lain yang bisa digabung.
Masalahnya, fraudster juga belajar.
Kalau sistem memblokir transaksi sangat besar, penipu memecah nominal.
Kalau sistem curiga transaksi jam tiga pagi, penipu beroperasi siang.
Kalau rekening baru cepat diblokir, mereka memakai rekening mule yang punya history.
Kalau phishing kasar tidak lagi efektif, AI membuat pesan yang lebih personal.
Kalau voice call mulai dicurigai, voice clone membuat impersonation lebih meyakinkan.
Mastercard pada 2026 menyoroti synthetic identity fraud, impersonation scam, cross-border fraud, e-commerce fraud, BNPL abuse, dan deepfake sebagai ancaman yang berkembang cepat. Mereka juga mencatat bahwa real-time payments membuat institusi punya waktu sangat singkat untuk mendeteksi fraud sebelum uang bergerak.
Inilah problem besar sistem pembayaran modern.
User ingin instant.
Fraud team ingin waktu.
Semakin cepat uang berpindah, semakin kecil jendela untuk menghentikan transaksi palsu.
Karena itu fraud detection tidak cukup hanya akurat.
Dia harus cepat.
Dan cepat tanpa terlalu banyak false positive.
False positive adalah saat transaksi legit dianggap fraud.
Bayangin lo baru landing di Singapura, langsung bayar hotel, lalu kartu diblokir karena pola lokasi berubah.
Atau lo beli laptop Rp25 juta setelah biasanya cuma transaksi kecil.
Kalau sistem terlalu agresif, customer experience hancur.
Kalau terlalu longgar, fraud lolos.
AI berusaha mencari titik tengah.
Model bisa memahami bahwa user memang baru beli tiket pesawat ke Singapura sehari sebelumnya, device masih sama, login normal, dan merchant hotel punya risk rendah.
Konteks membuat keputusan lebih baik.
Tetapi model juga tidak sempurna.
Fraud pattern berubah.
Data drift.
User behavior berubah.
Merchant baru muncul.
Device privacy membuat beberapa sinyal berkurang.
Model harus terus dievaluasi.
Ini bukan software yang dipasang sekali lalu selesai.
Fraud detection adalah sistem hidup.
Ada hal lain yang membuat 2026 berbeda: AI-generated social engineering.
Dulu fraud model fokus pada transaksi.
Sekarang problem dimulai jauh sebelum transaksi.
Scammer membuat chat seolah-olah customer service.
Membuat voice clone keluarga.
Membuat deepfake eksekutif.
Korban sendiri yang melakukan transfer.
Dari perspektif sistem bank, transaksi bisa terlihat sah.
Device benar.
PIN benar.
OTP benar.
Biometrik benar.
User sendiri menekan tombol.
Ini disebut authorized push payment scam dalam banyak diskusi internasional.
Fraud detection jadi sulit karena autentikasi teknis tidak sama dengan intent yang sehat.
User memang authorized.
Tapi authorization terjadi karena ditipu.
AI defense harus mulai membaca konteks sebelum transaksi selesai.
Apakah penerima rekening baru?
Apakah nominal jauh di atas kebiasaan?
Apakah user tiba-tiba memindahkan hampir seluruh saldo?
Apakah ada pola rekening tujuan yang terhubung ke jaringan scam?
Apakah banyak korban lain mengirim ke node serupa?
Graph analysis menjadi powerful di sini.
Satu rekening mungkin terlihat biasa.
Tapi kalau dia menerima transfer dari puluhan korban lalu langsung mendistribusikan dana ke akun lain, pola network bisa terlihat.
Bank Indonesia dalam studinya menunjukkan bagaimana graph machine learning bisa membantu memetakan hubungan antar akun dalam jaringan transaksi ilegal.
Ini contoh AI yang cocok: menemukan pola yang terlalu besar untuk kepala manusia.
Tapi jangan salah.
AI tidak membuat bank omniscient.
Kalau tidak ada cukup data, model bisa gagal.
Kalau rekening mule belum pernah terlibat fraud, signal-nya rendah.
Kalau scammer meniru pola normal user, deteksi makin sulit.
Makanya prevention harus layered.
Layer pertama di user.
Jangan kasih OTP.
Jangan transfer karena panik.
Verifikasi lewat kanal lain.
Layer kedua di device dan authentication.
MFA.
Biometric.
Device binding.
Layer ketiga di transaction monitoring.
Model risk.
Anomaly detection.
Graph.
Layer keempat di interbank coordination.
Kalau rekening scam ditemukan, informasi perlu bergerak cepat.
OJK bersama industri lewat Indonesia Anti-Scam Centre sudah membangun koordinasi penanganan scam finansial. Sampai akhir Mei 2026, IASC mencatat ratusan ribu laporan dan lebih dari setengah juta rekening sudah diblokir dalam ekosistem penanganan tersebut.
Skala itu penting.
Fraud tidak berhenti di satu bank.
Uang bisa masuk bank A, pindah ke bank B, e-wallet, lalu keluar.
Defense harus lintas institusi.
Ada juga human review.
AI sebaiknya tidak bekerja sendirian untuk semua keputusan.
Transaksi dengan risk sedang bisa masuk analyst queue.
Model memberi alasan.
Device baru.
Beneficiary baru.
Nominal tinggi.
Network risk.
Analyst melihat konteks.
Untuk transaksi real-time, manusia mungkin tidak selalu sempat sebelum transaksi.
Tapi human feedback tetap penting untuk melatih dan memperbaiki model.
Kalau analyst menemukan pattern baru, rule atau model bisa diperbarui.
Ini continuous learning.
Buat konsumen, apa artinya?
Pertama, jangan marah otomatis ketika bank meminta verifikasi tambahan.
Friction kadang memang bagian keamanan.
Kalau transaksi tidak biasa ditahan beberapa menit, itu inconvenience kecil dibanding account drain.
Kedua, jangan menganggap lolos fraud system berarti transaksi aman.
Bank tidak tahu seluruh cerita di kepala lo.
Kalau orang di telepon menyuruh transfer ke “rekening aman”, sistem bisa saja melihat transaksi sebagai normal.
Lo tetap defense utama untuk social engineering.
Ketiga, kalau sadar tertipu, lapor cepat.
IASC meminta korban segera membuat laporan finansial dan laporan polisi. Dana scam bisa dipindahkan dalam hitungan menit.
Fraud detection mungkin cepat.
Scammer juga cepat.
Waktu matters.
Buat bisnis, jangan hanya mengandalkan bank.
Punya approval internal.
Callback untuk perubahan rekening vendor.
Dual authorization.
Limit.
Monitoring.
AI bank adalah safety net, bukan pengganti governance perusahaan.
Ada risiko lain: attacker mencoba memahami model.
Mereka melakukan probing.
Mulai dari nominal kecil.
Lihat mana yang lolos.
Naikkan perlahan.
Ini adversarial behavior.
Fraud system harus punya feature yang tidak mudah ditebak dan monitoring jangka panjang.
Kalau hanya punya rule statis, scammer bisa belajar cepat.
Machine learning membantu adaptasi, tapi attacker juga bisa menggunakan AI untuk simulasi dan personalization.
Ini perlombaan.
Siapa yang punya data lebih baik, feedback lebih cepat, dan kontrol lebih disiplin.
Bukan siapa yang punya model paling hype.
Pada Juli 2026, OJK, Komdigi, dan perbankan kembali menekankan penguatan pemberantasan scam dan kejahatan keuangan digital. Itu sinyal bahwa problemnya tidak selesai hanya dengan satu teknologi.
AI membantu.
Data sharing membantu.
Blocking membantu.
Edukasi user membantu.
SOP bisnis membantu.
Semua layer perlu bekerja.
Masa depan fraud detection bukan sistem yang selalu tahu transaksi palsu sebelum terjadi.
Target realistisnya adalah membuat fraud makin mahal.
Lebih susah menemukan korban.
Lebih susah melewati autentikasi.
Lebih susah memindahkan dana.
Lebih cepat rekening diblokir.
Lebih cepat network ditemukan.
AI bisa mempercepat semua itu.
Tapi jangan lupa lawannya juga pakai AI.
Karena itu defense terbaik bukan satu model pintar.
Defense terbaik adalah sistem yang belajar lebih cepat daripada scammer bisa beradaptasi.
Ada satu metric yang sebaiknya dilihat institusi selain fraud loss: detection latency. Dua model dengan akurasi sama bisa punya dampak berbeda kalau satu mendeteksi jaringan dalam lima menit dan satu lagi lima jam kemudian. Di real-time payment, waktu adalah bagian dari model performance.
Selain itu, feedback dari laporan korban harus cepat masuk ke risk engine. Kalau rekening baru dilaporkan scam, hubungan rekening itu dengan akun lain perlu dianalisis. Koordinasi manusia dan machine learning menentukan seberapa cepat jaringan berikutnya ditemukan.
AI mempercepat pertahanan, tetapi process discipline menentukan apakah sinyal benar-benar berubah menjadi tindakan.
AI mempercepat pertahanan, tetapi process discipline menentukan apakah sinyal benar-benar berubah menjadi tindakan.
AI mempercepat pertahanan, tetapi process discipline menentukan apakah sinyal benar-benar berubah menjadi tindakan.
AI mempercepat pertahanan, tetapi process discipline menentukan apakah sinyal benar-benar berubah menjadi tindakan.
AI mempercepat pertahanan, tetapi process discipline menentukan apakah sinyal benar-benar berubah menjadi tindakan.
AI mempercepat pertahanan, tetapi process discipline menentukan apakah sinyal benar-benar berubah menjadi tindakan.
AI mempercepat pertahanan, tetapi process discipline menentukan apakah sinyal benar-benar berubah menjadi tindakan.
AI mempercepat pertahanan, tetapi process discipline menentukan apakah sinyal benar-benar berubah menjadi tindakan.
AI mempercepat pertahanan, tetapi process discipline menentukan apakah sinyal benar-benar berubah menjadi tindakan.
AI mempercepat pertahanan, tetapi process discipline menentukan apakah sinyal benar-benar berubah menjadi tindakan.
AI mempercepat pertahanan, tetapi process discipline menentukan apakah sinyal benar-benar berubah menjadi tindakan.
AI mempercepat pertahanan, tetapi process discipline menentukan apakah sinyal benar-benar berubah menjadi tindakan.
AI mempercepat pertahanan, tetapi process discipline menentukan apakah sinyal benar-benar berubah menjadi tindakan.
AI mempercepat pertahanan, tetapi process discipline menentukan apakah sinyal benar-benar berubah menjadi tindakan.
Bacaan terkait
Artikel ini berada dalam Fintech & Digital Payments dan mengikuti metodologi editorial Undercover.id. Format terkait tersedia di Explainer teknologi dan kebijakan digital.