Sebuah model deteksi penipuan berbasis kecerdasan buatan (AI) neuro-simbolik baru telah menunjukkan kemampuan untuk memberikan peringatan dini mengenai pergeseran pola penipuan, atau yang dikenal sebagai concept drift, bahkan sebelum metrik kinerja tradisional seperti skor F1 mulai menurun. Inovasi ini dinilai sangat penting bagi institusi keuangan yang sangat bergantung pada sistem deteksi penipuan waktu nyata di tengah lanskap ancaman digital yang terus berkembang.
Model ini memperkenalkan metrik baru bernama FIDI Z-Score, yang memungkinkan deteksi pergeseran pola penipuan tanpa memerlukan data berlabel (ground truth). Menurut temuan eksperimental terbaru, sistem ini berhasil mendeteksi concept drift dalam kelima kasus yang diuji, dan dalam beberapa skenario, bahkan memberikan peringatan satu ‘jendela’ sebelum skor F1 menunjukkan penurunan.
Arsitektur Hibrida untuk Deteksi Dini
Kekuatan utama dari teknik ini terletak pada arsitektur hibridanya, di mana dua lapisan beroperasi secara bersamaan: jaringan saraf konvensional (MLP) dan lapisan simbolik berbasis aturan. Sementara MLP belajar pola dari kumpulan data besar untuk membuat prediksi, lapisan simbolik menerjemahkan pola-pola tersebut menjadi aturan IF-THEN dan terus memantaunya.
Eksperimen menunjukkan bahwa ketika terjadi perubahan bertahap pada data, seperti pergeseran perilaku fitur tertentu, jaringan saraf cenderung beradaptasi sementara terhadap perubahan ini. Akibatnya, tidak ada penurunan langsung dalam kinerja output atau skor F1. Namun, lapisan simbolik mendeteksi perubahan ini secara instan karena aturannya bersifat tetap dan tidak menyesuaikan diri secara dinamis. Perbedaan inilah yang memungkinkan sistem mengeluarkan peringatan dini.
FIDI Z-Score beroperasi berdasarkan prinsip ini. Alih-alih mengukur perubahan absolut dalam suatu fitur, ia mengevaluasi seberapa anomali perubahan tersebut dibandingkan dengan perilaku historis fitur itu sendiri. Sebagai contoh, sebuah fitur kunci (V14) menunjukkan variasi minimal dalam kondisi normal, tetapi ketika perilakunya bergeser, ia mencatat deviasi sebesar -9,53 standar deviasi dari perilaku historisnya.
Tantangan dan Batasan
Meskipun menjanjikan, model ini memiliki batasan. Covariate drift, yaitu perubahan distribusi fitur input tanpa mengubah hubungan antara input dan output, masih menjadi titik buta. Untuk mengatasi ini, diperlukan monitor fitur mentah terpisah, seperti tes PSI atau KS. Selain itu, model FIDI Z-Score merespons relatif lambat terhadap prior drift, yaitu peningkatan tiba-tiba dalam tingkat penipuan keseluruhan, karena memerlukan setidaknya tiga jendela data historis untuk berfungsi secara efektif. Dalam kasus ini, penghitung tingkat penipuan bergulir akan lebih cepat.
Pakar menyarankan agar metode ini tidak digunakan secara terpisah. Untuk membangun kerangka kerja pemantauan yang kuat, metode ini harus dikombinasikan dengan alat lain seperti pemantauan tingkat input dan sistem pelacakan tingkat penipuan, memastikan cakupan di semua jenis drift.
Relevansi Skor F1 dalam Deteksi Penipuan
Skor F1, meskipun memberikan ukuran kinerja yang seimbang, seringkali dianggap sebagai pendekatan ‘satu ukuran untuk semua’ dan tidak selalu memperhitungkan tantangan bisnis unik serta biaya yang terkait dengan false positives dan false negatives. Dalam konteks deteksi penipuan, di mana kasus penipuan sangat jarang (class imbalance), akurasi tinggi bisa menyesatkan. Sebuah model yang hanya memprediksi ‘bukan penipuan’ untuk semua transaksi dapat mencapai akurasi 99% lebih, namun sama sekali tidak efektif dalam menangkap penipuan.
Kebangkitan AI Neuro-Simbolik di Tahun 2026
Tahun 2026 diprediksi menjadi titik balik bagi AI neuro-simbolik. Teknologi ini menggabungkan pengenalan pola jaringan saraf dengan aturan logis, menawarkan sistem AI yang lebih dapat dipercaya, dapat dijelaskan, dan dapat diaudit. Ini menandai pergeseran dari sekadar prediksi menuju kecerdasan terstruktur, yang sangat dibutuhkan di lingkungan yang diatur dan berisiko tinggi.
Lanskap penipuan digital semakin kompleks. Laporan Mastercard menunjukkan bahwa organisasi rata-rata kehilangan $60 juta akibat penipuan pembayaran dalam setahun terakhir. Penipuan identitas sintetis dan penipuan peniruan identitas meningkat pesat, didorong oleh AI generatif (GenAI). Bahkan, Association of Certified Anti-Money Laundering Specialists (ACAMS) pada Januari 2026 mengidentifikasi penipuan yang didukung AI sebagai ancaman kejahatan finansial nomor satu.
Di Indonesia, ancaman penipuan digital juga sangat nyata. Data Indonesia Anti-Scam Centre Otoritas Jasa Keuangan (OJK) mencatat 411 ribu pengaduan penipuan digital dengan total kerugian Rp 9,1 triliun antara November 2024 hingga Desember 2025, dengan kurang dari 5 persen dana berhasil dipulihkan. Lonjakan penipuan deepfake di wilayah Asia Pasifik (APAC) juga mencapai 1540% dari tahun 2022 hingga 2023.
Menanggapi hal ini, pakar IT Indonesia, Miftahul Fadli Muttaqin, Dosen Teknik Informatika Universitas Pasundan, meluncurkan platform web gratis tanya.fadli.id pada 1 Januari 2026. Platform berbasis AI ini dirancang untuk membantu masyarakat mendeteksi potensi penipuan digital secara cepat dengan menganalisis percakapan, tautan, dan pola manipulasi yang kerap digunakan pelaku.