Pernah kartu ditolak padahal saldo aman?
Atau aplikasi bank tiba-tiba meminta verifikasi ekstra setelah transaksi tertentu?
Di balik layar, bisa jadi ada risk engine yang memutuskan aktivitas lo terlihat berbeda dari biasanya.
Tidak selalu AI, tentu.
Sistem bank memakai kombinasi rules, model statistik, machine learning, authentication, dan review manusia.
Tapi penggunaan AI untuk anomaly detection dan fraud monitoring memang makin penting.
OJK dalam survei tata kelola AI perbankan mencatat lima dari delapan bank sampel sudah menggunakan machine learning untuk fraud detection dan credit scoring. Bank Indonesia pada 2026 juga mempublikasikan studi AI/ML untuk mengenali pola transaksi ilegal dalam data sistem pembayaran.
Jadi pertanyaan yang mulai relevan buat nasabah adalah: bagaimana rasanya ketika mesin menilai kita mencurigakan?
Jawaban pendeknya: kadang annoying, tapi sangat diperlukan.
Sistem pembayaran punya problem asimetris.
Kalau model salah membiarkan transaksi fraud, uang bisa hilang.
Kalau model salah memblokir transaksi legit, user kesal.
Dua-duanya cost.
Fraud detection mencoba menyeimbangkan.
Misalnya lo biasanya bertransaksi di Jakarta Selatan.
Nominal harian Rp100 ribu sampai Rp1 juta.
Device sama.
Tiba-tiba ada transaksi Rp22 juta dari device baru di negara lain jam tiga pagi.
Risk tinggi.
Sistem mungkin block.
Masuk akal.
Tapi real life tidak selalu serapi itu.
Lo bisa memang sedang traveling.
Bisa beli tiket mahal.
Bisa beli laptop.
Bisa transfer DP rumah.
Anomaly bukan otomatis fraud.
Itulah kenapa model harus membaca banyak konteks.
History.
Device.
Geo.
Merchant.
Beneficiary.
Timing.
Authentication.
Network relationship.
Behavior sebelum transaksi.
Bank Indonesia dalam studi 2026 bahkan menunjukkan penggunaan graph machine learning untuk melihat hubungan antar akun, bukan cuma satu transaksi terpisah.
Graph penting karena fraud sering networked.
Rekening A menerima uang.
Pindah ke B.
Lalu C dan D.
Kalau dilihat satu-satu mungkin normal.
Kalau dilihat sebagai graph, pola layering muncul.
AI membantu melihat struktur yang terlalu besar untuk manusia.
Masalahnya, user tidak melihat graph itu.
User cuma melihat:
“Transaksi gagal.”
Di sinilah explainability customer experience menjadi penting.
Bank tidak mungkin membocorkan seluruh fraud rule, karena scammer bisa belajar.
Tapi user tetap perlu informasi cukup.
“Transaksi ditahan untuk verifikasi keamanan.”
“Silakan konfirmasi melalui aplikasi.”
“Hubungi nomor resmi.”
Jangan cuma error code random.
Security yang tidak bisa dijelaskan menciptakan distrust.
Ada trade-off antara transparency dan security.
Bank tidak bisa bilang:
“Kami memblokir karena feature X lebih besar dari threshold Y dan device score Z.”
Attacker akan meniru.
Tapi bank bisa menjelaskan kategori.
Device baru.
Aktivitas tidak biasa.
Beneficiary berisiko.
Verification diperlukan.
Ini cukup buat user.
AI decision juga harus punya recovery path.
Kalau transaksi legit diblokir, apa yang dilakukan?
Self-verification?
Customer service?
Branch?
Berapa lama?
Kalau tidak ada recovery, false positive menjadi hukuman.
Bayangin kartu diblokir saat emergency hospital.
Security system yang technically correct bisa menghasilkan harm.
Makanya bank perlu risk-based response.
Tidak semua alert harus block total.
Bisa step-up authentication.
Push confirmation.
Temporary hold.
Limit.
Human review.
Block final untuk risk sangat tinggi.
AI bukan tombol binary.
Dia bisa menghasilkan risk score.
Policy menentukan tindakan.
Ini distinction penting.
Model mungkin bilang risk 78/100.
Bank memutus 70 ke atas perlu verification.
Threshold adalah business dan risk decision.
Bukan “AI memutus sendiri”.
Human governance tetap ada di desain.
Ada fairness issue juga.
Apakah model lebih sering menandai kelompok tertentu?
Orang yang traveling sering?
Freelancer?
Pengguna device murah?
Orang di lokasi tertentu?
Model bisa memakai proxy yang menghasilkan bias.
OJK menekankan AI perbankan harus fair, accountable, transparent, explainable, resilient, dan secure.
Fairness fraud detection bukan berarti semua orang punya alert rate sama.
Perilaku memang berbeda.
Tapi perbedaan harus punya alasan risk yang relevan.
Kalau variable tidak relevan menciptakan disparitas, model perlu diperbaiki.
Ada juga feedback problem.
Setelah user mengonfirmasi transaksi legit, informasi itu seharusnya membantu sistem belajar.
Kalau bank terus memblokir merchant yang sama setiap minggu, customer experience buruk.
Model perlu adaptation.
Tapi adaptation juga hati-hati.
Scammer bisa mencoba “melatih” account dengan transaksi kecil.
Jadi history bukan bukti absolut.
AI model hidup di dunia adversarial.
Pengguna normal mencoba menyelesaikan transaksi.
Attacker mencoba terlihat normal.
Ini beda dari recommendation system.
Netflix tidak menghadapi user yang sengaja mencoba menipu model agar rekomendasi salah.
Fraud system iya.
Setiap feature bisa diserang.
Device spoof.
Location spoof.
Mule account.
Stolen credential.
Synthetic identity.
Social engineering.
AI defense harus assume adversary.
2026 membuat ini lebih rumit karena scammer bisa memakai AI untuk impersonation dan synthetic identity.
Mastercard menempatkan synthetic identity dan impersonation sebagai dua ancaman yang sangat cepat berkembang dalam surveinya.
Jadi model bukan hanya bertanya, “apakah transaksi ini aneh?”
Tapi juga, “apakah identitas di balik akun ini nyata?”
KYC dan transaction monitoring mulai bertemu.
Untuk konsumen, ada beberapa kebiasaan yang membantu.
Gunakan device yang konsisten untuk transaksi penting kalau memungkinkan.
Jangan share account.
Jangan install app dari chat.
Jangan berikan OTP.
Update nomor kontak supaya bank bisa menghubungi.
Kalau traveling dan bank punya fitur notification, gunakan.
Bukan karena user harus membantu model.
Tapi behavior security yang konsisten mengurangi ambiguity.
Ada juga kondisi ketika transaksi legit memang harus ditolak sementara.
Misalnya bank menerima informasi bahwa rekening tujuan terkait scam.
User mungkin protes:
“Itu uang gue, kenapa nggak boleh transfer?”
Di sinilah financial safety bertemu autonomy.
Kalau risk evidence kuat, hold bisa melindungi.
OJK pada Juli 2026 menegaskan perbankan memperkuat Enhanced Due Diligence dan pemblokiran rekening yang terkait aktivitas ilegal.
Ini bukan model sempurna.
Ada mekanisme governance dan hukum.
Tapi arah sistem jelas: transaksi digital semakin dipantau secara risk-based.
Privacy concern legitimate.
Semakin banyak behavior dianalisis, user perlu tahu ada batas.
Fraud prevention tidak boleh menjadi alasan mengumpulkan data tak terbatas.
Data harus proporsional.
Secure.
Governed.
Retained sesuai kebutuhan.
Access dibatasi.
AI risk model juga perlu audit.
Security dan privacy bukan musuh.
Keduanya harus didesain bersama.
Kalau model menyimpan terlalu banyak data sensitif, fraud prevention sendiri bisa menjadi source risiko.
Bagaimana kalau AI salah menandai akun?
Harus ada appeal.
Customer service perlu access ke context cukup.
Investigation harus cepat.
Kalau account dibekukan terlalu lama karena false positive, dampaknya nyata.
Gaji.
Bisnis.
Tagihan.
Kepercayaan.
AI governance tidak lengkap tanpa remediation.
Ini juga salah satu alasan human accountability penting.
Bank Indonesia dalam riset kerangka hukum AI finansial 2026 menekankan human accountability dan effective dispute resolution.
Mesin boleh memberi sinyal.
Institusi tetap bertanggung jawab.
Di masa depan, kita mungkin melihat alert yang lebih conversational.
“Transaksi ini berbeda dari pola Anda. Apakah benar?”
User jawab.
AI mungkin bertanya tambahan.
Ini lebih natural daripada sekadar decline.
Tapi jangan sampai social engineering masuk.
Fraudster bisa meniru alert bank.
Maka verification tetap harus di aplikasi resmi.
Jangan klik link dari SMS hanya karena bahasanya sama dengan bank.
Buka app sendiri.
Ketika AI menilai transaksi kita mencurigakan, jangan bayangkan satu robot menghakimi hidup finansial.
Yang lebih tepat adalah risk system yang menggabungkan banyak sinyal untuk memutus apakah butuh friction tambahan.
Kadang sistem salah.
Kadang sistem menyelamatkan.
Yang penting adalah tiga hal.
Model cukup akurat.
Proses bisa dijelaskan.
Dan manusia punya jalan keluar ketika mesin keliru.
AI boleh curiga.
Bank tetap harus bertanggung jawab.
Ada juga perbedaan antara suspicious dan illegal. Model risk hanya memberi sinyal. Investigasi dan proses hukum punya standar lain. Jangan sampai score machine learning diperlakukan sebagai vonis. Ini penting untuk governance dan perlindungan nasabah.
Sistem terbaik menggunakan AI untuk memprioritaskan perhatian, bukan menghapus due process.
Risk score adalah input. Tanggung jawab tetap milik institusi.
Risk score adalah input. Tanggung jawab tetap milik institusi.
Risk score adalah input. Tanggung jawab tetap milik institusi.
Risk score adalah input. Tanggung jawab tetap milik institusi.
Risk score adalah input. Tanggung jawab tetap milik institusi.
Risk score adalah input. Tanggung jawab tetap milik institusi.
Risk score adalah input. Tanggung jawab tetap milik institusi.
Risk score adalah input. Tanggung jawab tetap milik institusi.
Risk score adalah input. Tanggung jawab tetap milik institusi.
Risk score adalah input. Tanggung jawab tetap milik institusi.
Risk score adalah input. Tanggung jawab tetap milik institusi.
Risk score adalah input. Tanggung jawab tetap milik institusi.
Risk score adalah input. Tanggung jawab tetap milik institusi.
Risk score adalah input. Tanggung jawab tetap milik institusi.
Risk score adalah input. Tanggung jawab tetap milik institusi.
Risk score adalah input. Tanggung jawab tetap milik institusi.
Risk score adalah input. Tanggung jawab tetap milik institusi.
Risk score adalah input. Tanggung jawab tetap milik institusi.
Risk score adalah input. Tanggung jawab tetap milik institusi.
Risk score adalah input. Tanggung jawab tetap milik institusi.
Risk score adalah input. Tanggung jawab tetap milik institusi.
Risk score adalah input. Tanggung jawab tetap milik institusi.
Risk score adalah input. Tanggung jawab tetap milik institusi.
Risk score adalah input. Tanggung jawab tetap milik institusi.
Risk score adalah input. Tanggung jawab tetap milik institusi.
Risk score adalah input. Tanggung jawab tetap milik institusi.
Risk score adalah input. Tanggung jawab tetap milik institusi.
Risk score adalah input. Tanggung jawab tetap milik institusi.
Risk score adalah input. Tanggung jawab tetap milik institusi.
Risk score adalah input. Tanggung jawab tetap milik institusi.
Risk score adalah input. Tanggung jawab tetap milik institusi.
Risk score adalah input. Tanggung jawab tetap milik institusi.
Risk score adalah input. Tanggung jawab tetap milik institusi.
Risk score adalah input. Tanggung jawab tetap milik institusi.
Risk score adalah input. Tanggung jawab tetap milik institusi.
Risk score adalah input. Tanggung jawab tetap milik institusi.
Bacaan terkait
Artikel ini berada dalam Fintech & Digital Payments dan mengikuti metodologi editorial Undercover.id. Format terkait tersedia di Explainer teknologi dan kebijakan digital.