AI dalam Pembayaran Digital Perlu Batas Keputusan

Intinya: Bank Indonesia menempatkan infrastruktur, industri, inovasi, internasional, dan rupiah digital sebagai lima inisiatif BSPI 2030. Penggunaan artificial intelligence (AI), atau kecerdasan buatan, untuk mendeteksi transaksi mencurigakan perlu ditempatkan dalam tata kelola dan manajemen risiko, bukan dianggap sebagai izin bagi algoritma memblokir pelanggan tanpa pemeriksaan.

Apa yang tertulis dalam dokumen Bank Indonesia

Blueprint Sistem Pembayaran Indonesia 2030 diterbitkan Bank Indonesia pada 2024 sebagai arah implementasi bertahap 2025–2030. Lima inisiatifnya dikenal sebagai 4I-RD: Infrastruktur, Industri, Inovasi, Internasional, dan Rupiah Digital. Dokumen itu menjelaskan agenda penguatan sistem pembayaran yang terintegrasi dan berdaya tahan, bukan daftar persetujuan otomatis untuk semua teknologi AI.

PBI Nomor 10 Tahun 2025 tentang Pengaturan Industri Sistem Pembayaran ditetapkan pada 24 Desember 2025 dan mulai berlaku 31 Maret 2026. Ringkasan resmi BI menyebut prinsip penilaian TIKMI: transaksi, interkoneksi, kompetensi, manajemen risiko, dan infrastruktur teknologi informasi. Ruang lingkupnya meliputi tata kelola, manajemen risiko, pelindungan konsumen, data, pengawasan, serta pengembangan produk dan kerja sama.

Karena itu, penerapan model deteksi penipuan perlu dilihat sebagai keputusan operasional di dalam sistem pengendalian, bukan sekadar proyek data science. Artikel ini tidak menyatakan PBI 10/2025 mewajibkan algoritma tertentu, threshold AI tertentu, atau satu merek sistem deteksi. Itu semua memerlukan dasar ketentuan dan persetujuan yang relevan.

Satu model, tiga keputusan yang berbeda

Model risiko transaksi dapat menghasilkan skor atau sinyal. Namun tindak lanjut terhadap skor itu dapat berbeda: meminta autentikasi tambahan, menahan transaksi untuk pemeriksaan, atau memblokir akun. Tiga tindakan tersebut mempunyai konsekuensi berbeda bagi pengguna. Sistem yang baik memisahkan keluaran model dari keputusan final yang mengubah hak atau akses nasabah.

Tabel itu adalah desain contoh editorial, bukan prosedur wajib Bank Indonesia. Kebijakan nyata perlu mengikuti risiko, aturan perlindungan konsumen, ketentuan layanan, serta kewajiban penanganan insiden. Pada kasus mendesak, intervensi otomatis dapat diperlukan; tetapi desainnya tetap harus memiliki batas waktu, pengawasan, dan prosedur koreksi.

Masalah yang sering terabaikan adalah ketidakseimbangan kerugian. False negative membiarkan transaksi penipuan lewat; false positive menahan transaksi sah. Satu skor akurasi global tidak cukup menjelaskan siapa yang menanggung kerugian dan berapa lama pelanggan kehilangan akses.

Simulasi: akurasi 99% masih bisa merepotkan

Bayangkan 100.000 transaksi per hari, dengan tingkat penipuan aktual 0,2% atau 200 transaksi. Misalkan sistem mendeteksi 90% penipuan (recall) dan keliru menandai 1% transaksi sah (false-positive rate). Hasilnya: 180 penipuan terdeteksi, 20 lolos, dan 998 transaksi sah ditandai karena 1% × 99.800 = 998.

Total alarm = 180 + 998 = 1.178. Proporsi alarm yang benar-benar penipuan atau precision = 180/1.178 × 100% ≈ 15,3%. Dengan kata lain, dalam simulasi ini sekitar 84,7% alarm tidak berasal dari transaksi penipuan. Angka tersebut bukan evaluasi sistem pembayaran Indonesia; semuanya asumsi untuk menunjukkan efek base rate.

Rumus: precision = true positive / (true positive + false positive). Recall = true positive / seluruh kejadian penipuan. Untuk menilai pengalaman nasabah, tambahkan waktu penyelesaian false positive, proporsi pengguna yang dapat mengajukan banding, dan besaran dana yang tertahan. Sistem dapat memiliki recall bagus tetapi menimbulkan beban layanan pelanggan yang besar.

Matriks tata kelola yang bisa dipakai operator

Governance: siapa pemilik model, siapa menyetujui threshold, dan siapa bertanggung jawab bila keputusan salah? Data: apakah data transaksi sah dipakai sesuai tujuan, dengan minimisasi dan kontrol akses? Model: apakah ada pengujian terhadap perubahan pola penipuan dan data drift? Operasi: apakah petugas dapat meninjau alasan keputusan dan membatalkan kesalahan? Pelanggan: apakah mekanisme pemberitahuan, keluhan, dan koreksi jelas?

Dokumen BI mengenai PBI 10/2025 menekankan manajemen risiko dan pengawasan aktif direksi serta dewan komisaris. Artinya pelaksanaan AI tidak dapat sepenuhnya didelegasikan kepada tim teknis tanpa pemilik risiko yang jelas. Penyelenggara juga harus membedakan penyedia jasa pembayaran, penyelenggara infrastruktur, dan pihak penunjang, karena tanggung jawab kontraktual dan regulasinya tidak identik.

Untuk uji lapangan, gunakan dataset historis berlabel yang diizinkan, potong menurut kelompok waktu dan kanal transaksi, dan evaluasi di luar sampel pelatihan. Periksa apakah hasil berubah pada transaksi bernilai kecil, wilayah berbeda, pengguna baru, atau jam puncak. Tidak perlu mengungkap fitur deteksi sensitif kepada publik, tetapi organisasi tetap harus mampu mempertanggungjawabkan proses keputusan.

Agenda yang relevan bagi regulator dan industri

Bank Indonesia memproyeksikan volume transaksi digital mencapai 147,3 miliar pada 2030 dalam rilis terkait penguatan industri pembayaran. Itu proyeksi, bukan realisasi tahun 2026. Pertumbuhan skala membuat kesalahan kecil dalam persentase berpotensi menghasilkan jumlah kasus yang besar. Oleh karena itu indikator operasional sebaiknya dinyatakan dalam jumlah absolut dan per satu juta transaksi, bukan hanya akurasi.

Perusahaan yang hendak mengintegrasikan model pihak ketiga perlu memastikan perjanjian pemrosesan data, hak audit, akses log, dan prosedur perubahan model. PBI 10/2025 juga mengatur pengembangan produk dan kerja sama dalam kerangka yang perlu diperiksa pada kasus masing-masing. Tidak semua integrasi model otomatis memerlukan prosedur persetujuan identik.

Indonesia membutuhkan keseimbangan antara pencegahan penipuan dan hak pengguna memperoleh layanan. Teknologi boleh mempercepat sinyal, tetapi kewenangan untuk membatasi transaksi harus dirancang dengan akuntabilitas, jalur koreksi, dan ukuran keberhasilan yang bisa diaudit.

Uji sensitivitas: bagaimana threshold mengubah beban pelanggan

Ambil simulasi 100.000 transaksi tadi. Jika threshold diperketat sehingga recall meningkat dari 90% menjadi 95% tetapi false-positive rate naik dari 1% menjadi 2%, jumlah penipuan terdeteksi menjadi 190 dan false positive menjadi 1.996. Precision turun menjadi 190/(190+1.996) = 8,7%. Tambahan 10 penipuan yang terdeteksi harus dibandingkan dengan tambahan 998 transaksi sah yang memerlukan penanganan. Itu bukan berarti threshold ketat selalu salah, melainkan keputusan harus mempertimbangkan biaya dan risiko setiap jenis kesalahan.

Misalkan setiap false positive memerlukan rata-rata 6 menit pemeriksaan petugas. Pada skenario awal, 998 × 6/60 = 99,8 jam kerja per hari. Pada skenario kedua, 1.996 × 6/60 = 199,6 jam. Selisih hampir 100 jam per hari bisa menjadi persoalan layanan pelanggan. Ini ilustrasi operasional, bukan estimasi biaya sistem pembayaran nasional.

Perusahaan harus menimbang apakah alarm digunakan untuk pemeriksaan internal, autentikasi tambahan, atau pembekuan layanan. Beban yang diterima pelanggan berbeda untuk masing-masing tindakan. Karena itu tidak cukup membandingkan precision dan recall tanpa kebijakan tindakan lanjut.

Peran pengawasan manusia dan hak koreksi

Untuk keputusan yang berpotensi membatasi akses pengguna, catat waktu, alasan kategori risiko, data yang digunakan, versi model, pihak yang menyetujui, dan hasil banding. Jangan membuka fitur sensitif yang memudahkan pelaku penipuan menghindari deteksi, tetapi berikan informasi yang cukup agar pengguna memahami jalur pemulihan. Mekanisme keberatan perlu memiliki SLA dan indikator penyelesaian yang dapat diawasi.

Pengelola juga harus menguji model setelah perubahan produk pembayaran atau munculnya modus baru. Data drift dapat membuat threshold yang dahulu efektif menjadi terlalu agresif atau terlalu longgar. Evaluasi berkala sebaiknya memisahkan transaksi historis yang telah berlabel dari transaksi baru yang belum memiliki kepastian status. Jangan menyebut semua alarm sebagai ‘kasus penipuan terbukti’.

Ketika vendor AI eksternal digunakan, perjanjian perlu menetapkan tanggung jawab atas kesalahan, lokasi dan retensi data, akses log, serta hak memeriksa perubahan model. Penggunaan layanan eksternal tidak memindahkan tanggung jawab tata kelola operator kepada vendor secara otomatis. Prinsip inilah yang menjembatani inovasi teknologi dengan kerangka pengawasan Bank Indonesia.

Data yang perlu dilaporkan kepada pengambil keputusan

Dashboard risiko sebaiknya menampilkan jumlah transaksi, tingkat penipuan yang telah terkonfirmasi, jumlah alarm, true positive, false positive, nilai dana terdampak, waktu penyelesaian keluhan, dan proporsi keputusan yang dibatalkan setelah pemeriksaan. Untuk menjaga privasi, laporan publik dapat memakai agregat; pemeriksa internal tetap membutuhkan jejak yang cukup untuk menilai kasus individual secara sah.

Ketika model diperbarui, operator perlu melakukan evaluasi sebelum dan sesudah dengan periode data yang sebanding. Peningkatan recall yang diiringi lonjakan false positive harus dibahas sebagai trade-off. Jangan menyebut setiap transaksi yang diblokir sebagai keberhasilan pencegahan penipuan; sebagian mungkin transaksi sah yang memerlukan koreksi.

Pelaporan menurut kanal—misalnya transfer, pembayaran QR, atau transaksi lain—membantu mengidentifikasi apakah model gagal pada pola tertentu. Namun segmentasi harus mematuhi prinsip minimisasi data dan tidak digunakan untuk mendiskriminasi kelompok tanpa dasar yang sah. Evaluasi fairness dan dampak pengguna sebaiknya dilakukan bersama tim kepatuhan.

Simulasi beban koreksi pelanggan

Pada skenario threshold kedua terdapat 1.996 false positive per 100.000 transaksi. Jika 60% pelanggan menghubungi pusat bantuan, terdapat sekitar 1.198 kontak. Bila tiap kontak membutuhkan rata-rata delapan menit, kebutuhan tenaga kerja menjadi 1.198 × 8/60 ≈ 159,7 jam kerja. Ini tambahan ilustrasi untuk memahami konsekuensi operasional, bukan data lembaga pembayaran Indonesia.

Biaya koreksi tidak hanya biaya agen layanan. Ada kemungkinan keterlambatan pembelian, penolakan pembayaran penting, dan menurunnya kepercayaan. Tetapi kerugian ini harus diukur dari data nyata, bukan ditambahkan sebagai persentase arbitrer. Pilot dengan sampel terbatas dapat mengukur waktu pemulihan, kepuasan, dan tingkat keberatan sebelum threshold diterapkan luas.

Jika operator memilih intervensi otomatis pada transaksi sangat berisiko, tetapkan batas durasi, eskalasi, dan mekanisme pembukaan kembali. Keputusan yang mengubah akses nasabah perlu memiliki penanggung jawab yang dapat dihubungi. Transparansi yang proporsional tidak berarti mengungkap seluruh parameter deteksi kepada pelaku kejahatan.

Jangan menyamakan deteksi penipuan dengan putusan hukum

Skor model adalah prediksi statistik terhadap pola data, bukan bukti final bahwa seseorang melakukan kejahatan. Pada tahap investigasi, organisasi dapat menggabungkan sinyal model dengan informasi transaksi, laporan pengguna, dan pemeriksaan petugas. Namun istilah ‘penipuan terkonfirmasi’ seharusnya memiliki definisi yang konsisten, misalnya hasil investigasi internal yang memenuhi kriteria atau proses lain yang ditetapkan, bukan sekadar alarm otomatis.

Pelatihan model juga harus memperhatikan keterlambatan label. Sebuah transaksi yang hari ini tampak sah mungkin baru dilaporkan bermasalah minggu depan. Jika data evaluasi memakai label yang belum matang, recall dan precision dapat tampak lebih baik atau lebih buruk dari kenyataan. Laporan perlu menyebut tanggal transaksi dan tanggal label ditutup.

Bank Indonesia mengatur sistem pembayaran dan pengawasan industrinya, tetapi artikel ini tidak menafsirkan semua keputusan otomatis sebagai tindakan yang dilarang. Yang dapat disimpulkan dari dokumen resmi ialah pentingnya tata kelola, manajemen risiko, dan perlindungan konsumen. Rincian penerapan bergantung pada jenis penyelenggara, produk, serta aturan terkait.

Ukuran keberhasilan yang lebih seimbang

Daripada satu skor akurasi, laporan manajemen dapat menampilkan empat angka bersama: kerugian penipuan yang berhasil dicegah menurut metode estimasi jelas, jumlah transaksi sah yang salah ditahan, median waktu penyelesaian keberatan, dan proporsi keputusan yang memiliki bukti audit lengkap. Angka-angka ini menghubungkan keamanan dengan pengalaman pengguna dan akuntabilitas.

Jika salah satu indikator memburuk, tim perlu mencari penyebab sebelum menyimpulkan model gagal atau berhasil. Perubahan pola transaksi, musim belanja, aturan bisnis, dan kanal pelaporan dapat memengaruhi hasil. Pelajaran utama dari kerangka BI adalah bahwa inovasi dan ketahanan industri harus dibangun bersama, bukan saling menggantikan.

Dalam pelaporan berkala, cantumkan apakah indikator memakai jumlah transaksi atau jumlah pengguna, karena satu pengguna dapat melakukan banyak transaksi. Perbedaan denominasi dapat mengubah interpretasi dampak secara signifikan.

Pengawasan yang baik menghubungkan pengujian model dengan proses koreksi nyata, bukan hanya dengan laporan performa algoritma.

Kesimpulan

BSPI 2030 menyediakan arah transformasi pembayaran, sementara PBI 10/2025 menegaskan pentingnya tata kelola dan risiko. Nilai AI dalam pembayaran tidak cukup diukur dari banyaknya penipuan yang tertangkap; jumlah transaksi sah yang salah ditahan juga harus menjadi indikator utama.

Sumber dan bacaan terkait

• BI, Blueprint Sistem Pembayaran Indonesia 2030 (2024)
• BI, PBI Nomor 10 Tahun 2025, berlaku 31 Maret 2026
• BI, rilis reformasi industri pembayaran dan proyeksi 2030
• Bacaan AIGEO: 608 ribu kasus scam dan risiko salah blokir
• Bacaan AIGEO: Akurasi AI 95% dan bias base rate