Meningkatkan Deteksi Financial Statement Fraud dengan Metode Artificial Neural Networks dan Graph Neural Networks: Perspektif Fraud Triangle Perspective
Kecurangan laporan keuangan (Financial Statement Fraud) adalah masalah yang sudah lama ada dan terus menjadi perhatian utama di berbagai sektor industri. Hal ini menyebabkan kerugian finansial yang besar bagi para pemangku kepentingan, merusak integritas pasar, dan menurunkan kepercayaan investor. Meskipun banyak metode deteksi kecurangan yang telah dikembangkan, tradisionalnya pendekatan ini sering kali kesulitan dalam mengidentifikasi pola yang kompleks dan dinamis dalam data keuangan yang besar. Oleh karena itu, penting untuk mengadopsi teknik-teknik baru yang lebih canggih dalam mendeteksi kecurangan, salah satunya dengan menggunakan kecerdasan buatan (AI) seperti Jaringan Saraf Buatan (Artificial Neural Networks, ANN) dan Jaringan Graf (Graph Neural Networks, GNN). Pendekatan ini sangat relevan dengan penerapan teori segitiga kecurangan (fraud triangle theory), yang menjelaskan bahwa ada tiga faktor utama yang berperan dalam memotivasi terjadinya kecurangan: tekanan, kesempatan, dan rasionalisasi. Dengan memanfaatkan metode ANN dan GNN yang mampu menangani data besar dan kompleks, deteksi kecurangan dapat lebih ditingkatkan secara signifikan.
Teori Segitiga Kecurangan dalam Konteks Deteksi Kecurangan Keuangan
Teori segitiga kecurangan pertama kali diperkenalkan oleh Donald R. Cressey pada tahun 1953, yang menyatakan bahwa untuk terjadinya kecurangan, tiga elemen penting harus ada: tekanan (pressure), kesempatan (opportunity), dan rasionalisasi (rationalization). Tekanan sering kali timbul karena faktor eksternal, seperti masalah finansial perusahaan, kebutuhan untuk memenuhi target keuangan, atau ancaman kebangkrutan. Kesempatan muncul karena adanya kelemahan dalam kontrol internal yang memungkinkan individu untuk menyalahgunakan posisi mereka. Rasionalisasi terjadi ketika pelaku kecurangan mencari pembenaran atas tindakan mereka, merasa bahwa kecurangan yang dilakukan tidaklah salah atau tidak akan merugikan pihak lain. Dalam konteks ini, teori segitiga kecurangan memberikan dasar yang kuat untuk memahami faktor-faktor yang mendorong terjadinya kecurangan laporan keuangan dan membantu mengarahkan fokus deteksi pada elemen-elemen yang relevan.
Penerapan Jaringan Saraf Buatan (ANN) dalam Deteksi Kecurangan Keuangan
Jaringan Saraf Buatan (ANN) adalah salah satu teknik machine learning yang mampu memodelkan hubungan non-linier dalam data dan mendeteksi pola-pola tersembunyi yang tidak dapat terdeteksi oleh metode statistik tradisional. ANN bekerja dengan cara menghubungkan neuron-neuron dalam beberapa lapisan, di mana setiap neuron menerima input, mengolahnya, dan kemudian mengirimkan output ke neuron berikutnya. Proses ini memungkinkan ANN untuk belajar dari data dan membuat prediksi berdasarkan pola yang ditemukan dalam dataset.
Dalam konteks deteksi kecurangan laporan keuangan, ANN memiliki potensi besar untuk menganalisis data keuangan yang kompleks dan mendeteksi pola kecurangan yang mungkin tidak terlihat dengan metode konvensional. Salah satu penelitian yang menggunakan ANN untuk mendeteksi kecurangan laporan keuangan pada sektor properti dan real estate di negara-negara ASEAN menunjukkan bahwa tekanan yang diwakili oleh rasio solvabilitas (seperti rasio utang terhadap ekuitas dan total utang terhadap total aset) serta kesempatan yang diwakili oleh kelemahan dalam pengawasan internal dan akun yang sulit diverifikasi, berperan penting dalam terjadinya kecurangan laporan keuangan. Rasionalisasi, yang diukur melalui rasio profitabilitas, juga berperan signifikan dalam memotivasi perilaku manipulatif ini. Hasil penelitian ini menunjukkan bahwa ANN dapat mendeteksi kecurangan dengan tingkat akurasi 81,3%, yang mengindikasikan efektivitas metode ini dalam menganalisis data keuangan yang besar dan kompleks (Rahayu & Widuri, 2025).
Selain itu, ANN juga mampu mengidentifikasi hubungan antar variabel keuangan yang mungkin tidak terdeteksi oleh teknik lain, memungkinkan sistem deteksi kecurangan untuk lebih responsif terhadap pola-pola yang lebih kompleks. Oleh karena itu, penerapan ANN memberikan solusi yang sangat bermanfaat dalam meningkatkan efektivitas deteksi kecurangan di berbagai sektor industri.
Peran Jaringan Graf (GNN) dalam Deteksi Kecurangan Keuangan
Sementara ANN sangat efektif dalam menganalisis data keuangan berbasis fitur, Jaringan Graf (GNN) memberikan pendekatan yang lebih lanjut dengan menganalisis hubungan antar entitas dalam suatu jaringan. Dalam konteks keuangan, entitas ini bisa berupa akun, transaksi, atau hubungan antara perusahaan. GNN bekerja dengan cara memproses data yang berbentuk graf, di mana setiap node (simpul) mewakili entitas (misalnya akun atau perusahaan), dan setiap edge (sisi) mewakili hubungan atau transaksi antara entitas tersebut. GNN mampu mengenali pola hubungan yang kompleks antar entitas dalam jaringan, yang sangat berguna dalam mendeteksi kecurangan yang melibatkan transaksi antara banyak pihak.
Salah satu keuntungan utama dari GNN adalah kemampuannya untuk menangkap dinamika dan relasi yang berkembang dalam jaringan transaksi. Misalnya, GNN dapat digunakan untuk menganalisis jaringan transaksi dalam sistem perbankan atau asuransi untuk mendeteksi aktivitas kecurangan seperti pencucian uang atau penggelapan dana. Dalam kajian yang dilakukan oleh Cheng et al. (2024), GNN diterapkan untuk mendeteksi pola-pola transaksi yang mencurigakan, dan hasilnya menunjukkan bahwa GNN dapat mengidentifikasi pola kecurangan dengan akurasi yang lebih tinggi dibandingkan dengan metode deteksi kecurangan tradisional. GNN unggul dalam menangani data yang melibatkan hubungan yang kompleks, seperti transaksi antar akun, yang tidak dapat sepenuhnya dipahami hanya dengan analisis data keuangan berbasis fitur.
GNN juga menunjukkan potensi besar dalam mendeteksi kecurangan yang bersifat temporal (berkaitan dengan waktu) dan berbasis graf dinamis. Hal ini sangat relevan untuk mendeteksi jenis-jenis kecurangan yang melibatkan pergerakan uang atau aset dalam periode waktu tertentu, seperti penipuan kartu kredit atau transaksi saham ilegal. Dengan menggunakan teknik seperti Graph Temporal Networks (GTNs) dan Graph Attention Networks (GATs), GNN dapat memfokuskan perhatian pada bagian graf yang paling relevan, meningkatkan akurasi deteksi kecurangan yang melibatkan data yang berubah-ubah dan kompleks.
Menggabungkan ANN dan GNN untuk Meningkatkan Deteksi Kecurangan
Meskipun ANN dan GNN masing-masing memiliki keunggulan tersendiri dalam mendeteksi kecurangan laporan keuangan, menggabungkan kedua teknik ini dapat memberikan pendekatan yang lebih komprehensif. ANN dapat digunakan untuk menganalisis data keuangan tradisional dan membuat prediksi berdasarkan rasio keuangan dan variabel lainnya, sementara GNN dapat digunakan untuk menganalisis hubungan antara entitas dalam transaksi keuangan yang lebih kompleks.
Dengan menggabungkan keduanya, sistem deteksi kecurangan dapat memanfaatkan keunggulan masing-masing teknik, yakni kemampuan ANN dalam mengenali pola berdasarkan data berbasis fitur dan kekuatan GNN dalam memodelkan hubungan antar entitas dalam jaringan. Pendekatan terintegrasi ini memungkinkan perusahaan dan auditor untuk mendeteksi kecurangan dengan lebih efektif, mengidentifikasi pola-pola kecurangan yang mungkin tidak terdeteksi oleh sistem yang hanya menggunakan satu teknik saja.
Tantangan dan Arah Penelitian Selanjutnya
Meskipun ANN dan GNN menawarkan potensi besar dalam meningkatkan deteksi kecurangan laporan keuangan, terdapat beberapa tantangan yang perlu diatasi. Salah satunya adalah masalah skalabilitas dan kompleksitas komputasi, terutama ketika jumlah data yang dianalisis sangat besar. Selain itu, transparansi dan interpretabilitas dari model-model ini juga menjadi isu penting, mengingat pentingnya kepercayaan dalam sistem deteksi kecurangan yang digunakan oleh perusahaan dan lembaga keuangan.
Arah penelitian selanjutnya dapat fokus pada peningkatan efisiensi algoritma ANN dan GNN, sehingga dapat diterapkan pada dataset yang lebih besar dan lebih kompleks. Selain itu, integrasi teknik-teknik ini dengan data multimodal, seperti data transaksi dan data eksternal, dapat memperkaya model dan meningkatkan kemampuannya dalam mendeteksi kecurangan yang lebih canggih.
Kesimpulan
Integrasi Jaringan Saraf Buatan (ANN) dan Jaringan Graf (GNN) dalam deteksi kecurangan laporan keuangan menunjukkan kemajuan signifikan dalam bidang pencegahan kecurangan. Dengan mengadopsi teori segitiga kecurangan, kedua metode ini mampu meningkatkan kemampuan deteksi kecurangan dengan lebih efektif. ANN unggul dalam menganalisis data keuangan berbasis fitur, sementara GNN memberikan pendekatan yang lebih kuat dalam menangkap hubungan antar entitas dalam transaksi keuangan yang kompleks. Kombinasi kedua metode ini menawarkan solusi yang lebih holistik dalam mendeteksi kecurangan dan memastikan integritas laporan keuangan.
Sumber:
- Rahayu, D. V. R. W., & Widuri, R. (2025). Artificial neural network methodology in financial statements fraud: An empirical study in the property and real estate sector. Risk Governance & Control: Financial Markets & Institutions, 15(1), 237–248. https://doi.org/10.22495/rgcv15i1sip9
- Suryani, E., & Fajri, R. R. (2022). Fraud triangle perspective: Artificial neural network used in fraud analysis. Quality – Access to Success, 23(188), 154–162.
- Cheng, D., Zou, Y., Xiang, S., & Jiang, C. (2024). Graph neural networks for financial fraud detection: A review. Frontiers in Computer Science, 0(0), 1–17. https://doi.org/10.1007/s11704-024-40474-y
Comments :