Fraud Detection System: Cara Kerja dan Manfaatnya, Lengkap!

Fraud Detection System atau sistem deteksi fraud adalah teknologi yang menggunakan kecerdasan buatan (AI) dan pembelajaran mesin (machine learning) untuk mengidentifikasi dan mencegah aktivitas penipuan dalam berbagai sektor bisnis.

Saat Anda mengelola bisnis digital yang semakin kompleks, sering timbul perasaan cemas tentang risiko penipuan yang tak terlihat namun merugikan.

Bayangkan jika transaksi yang seharusnya aman justru disusupi aktivitas curang yang menggerogoti keuntungan Anda, sebuah kenyataan yang kini dialami banyak organisasi di seluruh dunia.

Bahkan, dalam satu kawasan seperti Eropa, kerugian akibat fraud dalam pembayaran digital meningkat menjadi sekitar €4,2 miliar (± USD 4,9 miliar) pada 2024, meningkat dari €3,5 miliar setahun sebelumnya, sebuah pertanda bahwa ancaman ini terus berkembang dengan taktik fraud yang kian canggih.

Dengan menganalisis data untuk mendeteksi pola dan anomali yang mencurigakan, sistem deteksi fraud dapat membantu melindungi bisnis dari berbagai bentuk penipuan yang dapat menyebabkan kerugian finansial dan merusak reputasi perusahaan.

Oleh karena itu, artikel ini bertujuan memberikan wawasan kepada para profesional tentang manfaat, cara kerja, serta bagaimana agar perusahaan Anda dapat menerapkan sistem ini.

Bagaimana Cara Kerja Fraud Detection System?

Pertanyaan pertama, bagaimana fraud detection system itu bekerja? Sistem deteksi fraud menggunakan kombinasi teknologi canggih seperti kombinasi AI dan machine learning untuk mendeteksi aktivitas penipuan.

Berikut adalah gambaran umum tentang cara kerja sistem ini:

1. Proses Pengumpulan Data

Fraud Detection System (FDS) dimulai dengan pengumpulan data dari berbagai sumber, seperti transaksi keuangan, riwayat pembelian, data demografis, dan perilaku pengguna.

Data ini bisa berasal dari internal perusahaan, seperti database transaksi dan catatan pelanggan, atau dari sumber eksternal seperti data pihak ketiga yang menyediakan informasi tambahan.

Pengumpulan data yang luas dan beragam ini memungkinkan sistem untuk memiliki pandangan yang komprehensif tentang aktivitas pengguna dan pola transaksi.

2. Pembersihan dan Normalisasi Data

Data yang telah dikumpulkan kemudian dibersihkan untuk menghilangkan duplikasi, kesalahan, dan inkonsistensi. Proses ini dikenal sebagai pembersihan data.

Setelah itu, data dinormalisasi agar berada dalam format yang konsisten dan seragam, sehingga mudah dianalisis oleh sistem.

Normalisasi data sangat penting karena data yang tidak konsisten dapat mengganggu proses analisis dan menghasilkan deteksi yang tidak akurat.

3. Analisis Perilaku

FDS memantau dan menganalisis pola perilaku normal dari pengguna untuk membangun profil dasar tentang aktivitas mereka.

Dengan menggunakan algoritma pembelajaran mesin (machine learning), sistem belajar untuk mengenali apa yang dianggap sebagai perilaku normal.

Misalnya, sistem dapat mengidentifikasi kebiasaan belanja rutin pengguna atau pola transaksi biasa mereka. Informasi ini digunakan sebagai referensi untuk mendeteksi penyimpangan yang mungkin menunjukkan aktivitas penipuan.

4. Pemodelan dan Machine Learning

Pada tahap ini, model pembelajaran mesin dilatih menggunakan data historis untuk mengenali pola penipuan. Algoritma ini disesuaikan dan terus diperbarui berdasarkan data baru yang masuk.

Pembelajaran mesin memungkinkan sistem untuk menjadi lebih cerdas dan adaptif dalam mengenali berbagai bentuk penipuan yang mungkin tidak dapat dikenali oleh aturan statis atau algoritma sederhana.

5. Pemberian Skor Risiko

Setiap transaksi atau aktivitas pengguna diberi skor risiko berdasarkan seberapa miripnya dengan pola penipuan yang telah diketahui.

Skor risiko ini dapat didasarkan pada berbagai faktor, seperti lokasi geografis transaksi, jumlah transaksi, frekuensi, dan perilaku pengguna.

Transaksi dengan skor risiko tinggi akan ditandai sebagai mencurigakan dan membutuhkan tinjauan lebih lanjut.

6. Pendeteksian Anomali

FDS mencari anomali atau penyimpangan dari pola normal yang dapat menunjukkan aktivitas penipuan.

Misalnya, jika pengguna tiba-tiba melakukan transaksi besar dari lokasi yang tidak biasa atau dalam pola yang tidak biasa, sistem akan mengidentifikasinya sebagai anomali.

Anomali ini kemudian ditandai untuk analisis lebih lanjut oleh tim keamanan.

7. Penetapan Rules

Selain menggunakan pembelajaran mesin, FDS juga menerapkan aturan bisnis yang telah ditentukan sebelumnya untuk mengidentifikasi penipuan berdasarkan kriteria spesifik.

Aturan ini dapat mencakup berbagai skenario, seperti transaksi di atas jumlah tertentu yang dilakukan dalam jangka waktu singkat atau transaksi yang terjadi dari lokasi geografis yang tidak biasa.

Penerapan aturan bisnis ini membantu dalam menangkap penipuan yang mungkin tidak terdeteksi oleh model pembelajaran mesin.

8. Pengambilan Keputusan

Berdasarkan skor risiko dan deteksi anomali, FDS akan memutuskan tindakan yang perlu diambil. Tindakan ini bisa berupa penangguhan sementara transaksi, permintaan verifikasi tambahan kepada pengguna, atau pelaporan langsung ke tim keamanan.

Keputusan ini diambil untuk memastikan bahwa transaksi yang mencurigakan diperiksa lebih lanjut sebelum disetujui atau ditolak.

9. Pemberitahuan dan Pelaporan

Sistem akan mengirimkan pemberitahuan kepada pengguna atau tim keamanan mengenai aktivitas mencurigakan yang terdeteksi. Pemberitahuan ini bisa berupa pesan teks, email, atau notifikasi dalam aplikasi.

Selain itu, FDS juga menghasilkan laporan rinci yang mencakup informasi tentang transaksi mencurigakan, pola yang terdeteksi, dan tindakan yang telah diambil.

Laporan ini membantu dalam investigasi lebih lanjut dan memberikan wawasan untuk meningkatkan sistem.

10. Tindak Lanjut

FDS terus belajar dari data baru dan umpan balik dari tim keamanan untuk memperbaiki model dan aturan yang digunakan. Teknologi kecerdasan buatan (AI) dan pembelajaran mendalam (deep learning) sering digunakan untuk meningkatkan kemampuan deteksi sistem.

Dengan pembaruan dan peningkatan berkelanjutan, FDS menjadi lebih efisien dan efektif dalam mendeteksi dan mencegah penipuan di masa depan.

Fraud Detection System merupakan alat penting dalam melindungi perusahaan dan pengguna dari kerugian finansial akibat penipuan.

Dengan mengandalkan analisis data yang canggih dan teknologi mutakhir, sistem ini mampu memberikan lapisan keamanan yang sangat diperlukan dalam dunia digital saat ini

Rekomendasi teknologi untuk mendeteksi fraud adalah RPA. Untuk pembahasan ini akan kami lanjutkan di bawah!

Baca juga: Cara Menemukan Fraud dalam Transaksi Keuangan, Lengkap!

Jenis-jenis Fraud yang Dapat Dideteksi

Sistem deteksi fraud dirancang untuk mengidentifikasi berbagai jenis penipuan yang dapat terjadi dalam bisnis. Berikut adalah beberapa jenis penipuan yang umum dan bagaimana sistem deteksi fraud dapat mengatasinya:

1. Penipuan Kartu Kredit

Yang paling sering terjadi adalah penipuan kartu kredit. Banyak sekali perusahaan utamanya di lembaga keuangan terjadi fraud penipuan kartu kredit.

Secara definisiPenipuan kartu kredit adalah salah satu bentuk penipuan yang paling umum di era digital. Sistem deteksi fraud dapat memantau dan menganalisis transaksi kartu kredit untuk mendeteksi aktivitas yang mencurigakan.

Misalnya, transaksi besar yang tidak biasa atau transaksi yang dilakukan dari lokasi geografis yang berbeda dalam waktu singkat dapat menjadi indikator adanya penipuan.

Sistem ini menggunakan algoritma untuk menandai transaksi tersebut dan memberitahu tim keamanan untuk melakukan verifikasi lebih lanjut.

2. Penipuan Identitas

Penipuan identitas terjadi ketika seseorang menggunakan identitas palsu atau curian untuk melakukan aktivitas yang merugikan.

Fraud detection system dapat membantu mengidentifikasi penipuan identitas dengan memverifikasi informasi pelanggan secara real-time.

Teknologi AI dan machine learning digunakan untuk memeriksa konsistensi data dan mendeteksi anomali yang menunjukkan kemungkinan penipuan identitas.

3. Penipuan Internal Perusahaan

Penipuan internal adalah aktivitas penipuan yang dilakukan oleh karyawan dalam perusahaan. Contohnya termasuk penggelapan dana atau manipulasi data keuangan.

Sistem deteksi fraud dapat memantau aktivitas internal dan mengidentifikasi pola yang tidak biasa, seperti perubahan mendadak dalam laporan keuangan atau akses yang tidak sah ke sistem perusahaan.

Dengan demikian, perusahaan dapat mendeteksi dan mencegah penipuan internal sebelum menyebabkan kerugian besar.

4. Penipuan Klaim Asuransi

Penipuan klaim asuransi melibatkan pengajuan klaim yang tidak sah untuk mendapatkan pembayaran dari perusahaan asuransi.

Sistem deteksi fraud dapat menganalisis klaim yang diajukan dan membandingkannya dengan data historis untuk mendeteksi pola penipuan.

Algoritma machine learning dapat mengidentifikasi klaim yang mencurigakan dan menandainya untuk peninjauan lebih lanjut oleh tim penyelidik.

Dengan kemampuan untuk mendeteksi berbagai jenis penipuan, sistem deteksi fraud memberikan perlindungan komprehensif bagi bisnis dari berbagai ancaman penipuan, memastikan keamanan dan integritas operasi bisnis.

5. Penipuan Payroll

Penipuan payroll melibatkan manipulasi data gaji atau waktu kerja untuk mendapatkan pembayaran yang tidak sah. Contohnya termasuk memasukkan jam kerja palsu atau menciptakan karyawan fiktif.

Sistem deteksi fraud dapat memantau dan menganalisis data payroll untuk menemukan anomali seperti jam kerja yang tidak konsisten atau penggajian karyawan yang tidak terdaftar.

Dengan mendeteksi penipuan payroll, perusahaan dapat menghemat biaya dan menjaga integritas keuangan mereka.

Baca juga: Cara Mendeteksi Fraud dengan Teknologi

Manfaat Implementasi Sistem Deteksi Fraud untuk Bisnis 2026

Implementasi sistem deteksi fraud dalam bisnis menawarkan berbagai manfaat yang signifikan. Berikut adalah beberapa keuntungan utama dari penggunaan teknologi ini:

1. Mengurangi Kerugian Finansial Secara Signifikan

Salah satu manfaat paling langsung dari penerapan sistem deteksi fraud adalah pengurangan kerugian finansial akibat transaksi curang.

Dalam beberapa kasus, organisasi yang mengadopsi sistem deteksi fraud dengan kemampuan analitik lanjutan dan machine learning mampu melihat Return on Investment (ROI) hingga 376% dalam 18 bulan pertama.

Lebih jauh lagi, studi tersebut menemukan bahwa setiap peningkatan 1% akurasi dalam mendeteksi fraud berkorelasi dengan pengurangan kerugian hingga sekitar USD 2,7 juta, khususnya pada perusahaan yang memproses lebih dari USD 50 miliar transaksi setiap tahunnya (Kandhikonda, 2025).

2. Meningkatkan Kepercayaan dan Loyalitas Pelanggan

Keamanan adalah fondasi kepercayaan pelanggan dalam transaksi digital. Hasil sebuah penelitian menunjukkan bahwa lebih dari 75% konsumen merasa lebih percaya pada lembaga keuangan yang menerapkan deteksi fraud secara real-time, karena mereka yakin data dan transaksi mereka lebih terlindungi (Vieras dkk., 2025).

Artinya, kepercayaan dari pelanggan bukan sekadar perasaan, tapi menjadi faktor yang berkontribusi langsung pada nilai jangka panjang brand dan loyalitas pelanggan.

3. Efisiensi Operasional dan Kecepatan Respons

Sistem deteksi fraud modern, terutama yang ditenagai oleh machine learning dan AI, memungkinkan analisis data dalam volume besar secara real-time, sesuatu yang sangat sulit dilakukan secara manual (Islam, 2024).

Efisiensi ini bukan hanya menghemat waktu tim keamanan, tetapi juga mengurangi biaya operasional dan kesalahan manusia, sekaligus mempercepat respon terhadap ancaman fraud.

4. Memperkuat Reputasi dan Kepatuhan Regulasi

Implementasi sistem deteksi fraud yang kuat membantu perusahaan menjaga integritas operasi dan memenuhi kewajiban kepatuhan terhadap regulasi industri.

Dalam banyak sektor seperti perbankan, fintech, dan asuransi, regulator mensyaratkan adanya mekanisme deteksi dan pencegahan fraud untuk melindungi data konsumen dan stabilitas finansial.

Dengan sistem yang terotomasi dan terdokumentasi, perusahaan dapat menunjukkan kepatuhan terhadap standar anti-fraud internasional, meningkatkan transparansi proses internal, dan menurunkan risiko sanksi hukum dan reputasi buruk di pasar.

5. Adaptasi terhadap Modus Fraud yang Semakin Canggih

Fraud tidak statis, metode penipuan terus berevolusi dengan berbagai teknik baru. Sistem deteksi fraud yang didukung machine learning mampu belajar dari pola data historis dan memperbarui modelnya untuk mengenali pola anomali yang sebelumnya tidak pernah terlihat (Chen, 2025).

Berbeda dengan pendekatan rule-based yang hanya bereaksi setelah fraud terjadi, sistem modern dapat proaktif mencegah fraud baru, memperkuat keamanan digital perusahaan dan mengurangi dampak risiko jangka panjang.

Rekomendasi Tools dan Vendor untuk Fraud Detection System

Menggunakan Robotic Process Automation (RPA)

RPA adalah teknologi yang menggunakan perangkat lunak robot untuk mengotomatisasi tugas-tugas berulang dan berbasis aturan yang biasanya dilakukan oleh manusia.

Dalam konteks fraud detection system, RPA dapat digunakan untuk meningkatkan efisiensi dan akurasi proses deteksi dengan:

• Automatisasi Pemantauan Transaksi: RPA dapat memantau transaksi secara real-time dan memicu peringatan ketika mendeteksi aktivitas mencurigakan.
• Pengolahan Data yang Cepat: RPA mampu mengolah dan menganalisis volume data yang besar dengan cepat, memungkinkan identifikasi penipuan yang lebih efisien.
• Integrasi Sistem: RPA dapat mengintegrasikan berbagai sistem bisnis yang ada untuk memastikan data yang konsisten dan akurat dalam proses deteksi penipuan.

Rekomendasi Tools Lainnya

Berikut adalah 10 rekomendasi tools yang sering digunakan dalam sistem deteksi fraud:

1. SAS Fraud Management

SAS Fraud Management menggunakan analitik canggih untuk mendeteksi penipuan secara real-time. Sistem ini dirancang untuk sektor keuangan, telekomunikasi, dan asuransi dengan kemampuan untuk memantau jutaan transaksi setiap hari.

2. IBM Safer Payments

IBM Safer Payments menawarkan solusi deteksi penipuan yang fleksibel dan dapat disesuaikan. Sistem ini menggunakan analitik waktu nyata dan pembelajaran mesin untuk mendeteksi penipuan dalam pembayaran elektronik.

3. Fraud.net

Fraud.net menyediakan solusi berbasis cloud yang menggunakan kecerdasan buatan dan analitik prediktif untuk mendeteksi penipuan. Platform ini cocok untuk e-commerce, perbankan, dan asuransi.

4. Actimize

Actimize dari NICE adalah solusi terkemuka dalam deteksi penipuan untuk industri keuangan. Sistem ini mencakup berbagai modul seperti pemantauan transaksi, manajemen risiko, dan analitik perilaku.

5. FICO Falcon Fraud Manager

FICO Falcon Fraud Manager adalah salah satu solusi deteksi penipuan yang paling banyak digunakan di dunia. Menggunakan analitik prediktif dan pembelajaran mesin, sistem ini dirancang untuk melindungi berbagai jenis transaksi pembayaran.

6. ThreatMetrix

ThreatMetrix dari LexisNexis Risk Solutions menawarkan solusi deteksi penipuan digital yang komprehensif. Sistem ini menggunakan identifikasi digital, analitik perilaku, dan pembelajaran mesin untuk mengidentifikasi aktivitas mencurigakan.

7. Kount

Kount adalah solusi deteksi penipuan yang berfokus pada e-commerce dan pembayaran digital. Dengan analitik real-time dan teknologi AI, Kount membantu bisnis mengidentifikasi dan mencegah penipuan transaksi.

8. ACI Worldwide

ACI Worldwide menawarkan solusi deteksi penipuan yang disebut ACI Fraud Management. Sistem ini menggunakan analitik prediktif dan pembelajaran mesin untuk mendeteksi penipuan dalam pembayaran elektronik.

9. Featurespace ARIC Fraud Hub

ARIC Fraud Hub dari Featurespace menggunakan analitik adaptif dan pembelajaran mesin untuk mendeteksi dan mencegah penipuan. Sistem ini dapat memantau transaksi dalam waktu nyata dan mengidentifikasi anomali dengan akurasi tinggi.

10. Guardian Analytics

Guardian Analytics menawarkan solusi deteksi penipuan berbasis perilaku yang menggunakan analitik dan pembelajaran mesin untuk mengidentifikasi aktivitas mencurigakan. Platform ini cocok untuk perbankan, pembayaran, dan layanan keuangan lainnya.

Baca juga: Awas! Ini Cara Mencegah Fraud di Bank, Selamatkan Aset Nasabah

IDstar sebagai Penyedia RPA untuk Otomatisasi Deteksi Fraud dalam Bisnis

IDstar adalah perusahaan penyedia layanan RPA yang terkemuka dengan reputasi baik dalam menyediakan solusi otomatisasi untuk berbagai industri.

Dengan keahlian dalam RPA, IDstar membantu bisnis meningkatkan efisiensi operasional dan mendeteksi penipuan secara lebih efektif.

IDstar menawarkan solusi RPA yang dapat disesuaikan dengan kebutuhan spesifik bisnis, mengintegrasikan teknologi AI dan machine learning untuk deteksi penipuan yang lebih canggih.

Banyak pelanggan IDstar memberikan ulasan positif tentang efektivitas solusi RPA mereka dalam mengurangi kerugian akibat penipuan dan meningkatkan keamanan data. Salah satu customer mengatakan,

Dengan IDstar, kami berhasil mengotomatisasi proses deteksi penipuan, yang sebelumnya memakan banyak waktu dan sumber daya.

Use Case Fraud Detection System di Industri Finance Indonesia

Dalam ekosistem keuangan Indonesia yang semakin digital, sistem deteksi fraud telah menjadi bagian penting dari operasi harian bank, fintech, dan perusahaan jasa keuangan lainnya.

Penerapan teknologi ini tidak hanya membantu menekan kerugian finansial, tetapi juga meningkatkan efisiensi operasional dan kepatuhan terhadap regulasi industri yang semakin ketat.

1. Bank Syariah

Salah satu contoh yang didokumentasikan melalui riset terbaru adalah implementasi teknologi Artificial Intelligence (AI) untuk meningkatkan keamanan sistem akuntansi pada bank-bank syariah di Indonesia.

Penelitian tersebut melibatkan profesional IT, auditor internal, dan staf manajemen risiko untuk menilai bagaimana AI dapat meningkatkan akurasi dan efisiensi deteksi fraud dalam sistem akuntansi perbankan.

Hasilnya menunjukkan bahwa AI secara signifikan meningkatkan kemampuan sistem dalam mendeteksi anomali transaksi dan memperkuat kontrol internal, yang pada gilirannya berkontribusi terhadap keamanan sistem akuntansi secara keseluruhan.

AI bukan hanya mempercepat proses deteksi, tapi juga mengurangi false positive dalam monitoring transaksi yang kompleks (Sujana & Laela, 2025).

2. Asuransi

Dalam sektor asuransi di Indonesia, fraud juga sering terjadi pada klaim kesehatan dan klaim jiwa. Salah satu upaya yang dilakukan adalah mengembangkan model berbasis data mining untuk mendeteksi anomali di transaksi klaim peserta.

Pendekatan ini memanfaatkan teknik machine learning untuk mengevaluasi pola transaksi dan membedakan antara klaim yang valid dan tidak valid.

Studi implementasi semacam ini menunjukkan bahwa algoritma yang tepat dapat membantu perusahaan asuransi mengidentifikasi pola fraud secara lebih efisien dibanding pemeriksaan manual tradisional, terutama ketika dataset sangat imbalanced antara transaksi normal dan fraud (Utomo, 2021).

3. Bank-Bank Besar Indonesia

Pasar AI dan sistem deteksi fraud finansial di Indonesia menunjukkan pertumbuhan yang kuat, dengan nilai diperkirakan mencapai sekitar USD 1,1 miliar seiring meningkatnya kebutuhan keamanan di sektor perbankan digital.

Bank-bank besar seperti Mandiri, BRI, BCA, dan BNI telah menjadi bagian dari tren adopsi ini, menggunakan teknologi berbasis machine learning dan anomaly detection untuk memonitor transaksi real-time serta memperkuat sistem deteksi ancaman fraud.

Fokus utama mereka adalah mengurangi fraud rate, false positive, dan waktu respon terhadap kejadian mencurigakan, sehingga operasional transaksi digital dapat berjalan lebih aman dan andal (Ken Research, 2024).

Kesimpulan dan Mengapa Ini Penting untuk Bisnis Anda

Penerapan Fraud Detection System bukan sekadar tren teknologi, ini menjadi kebutuhan strategis bagi perusahaan yang ingin mengamankan operasi digital, melindungi aset finansial, dan meningkatkan kepercayaan pelanggan.

Dengan kemampuan AI dan machine learning, sistem ini mampu mengidentifikasi pola anomali yang sulit terdeteksi melalui metode manual, sehingga membantu bisnis mengurangi risiko penipuan, mempercepat respon operasional, dan menyesuaikan diri dengan cepat pada modus ancaman baru.

Investasi pada teknologi deteksi fraud yang tepat memberikan nilai lebih dari sekadar penghematan biaya atau efisiensi operasional; ini juga memperkuat fondasi tata kelola risiko dan kepatuhan perusahaan di tengah lanskap digital yang semakin kompleks.

Jika Anda adalah pengambil keputusan di organisasi yang menghadapi tantangan transaksi atau data skala besar, deteksi fraud adalah salah satu elemen inti dalam strategi keamanan digital Anda.

Sebagai IT outsourcing services provider dan penyedia solusi cerdas seperti RPA serta agentic AI, IDstar siap menjadi partner Anda dalam merancang dan mengimplementasikan sistem deteksi fraud yang scalable dan adaptif. Bicarakan kebutuhan Anda lebih lanjut dengan kami. Digital Transformation? #IDstarinAja

---

Referensi Kredibel:

1. Chen, Y., Zhao, C., Xu, Y., Nie, C., & Zhang, Y. (2025). Deep learning in financial fraud detection: Innovations, challenges, and applications. Data Science and Management. https://doi.org/10.1016/j.dsm.2025.08.002
2. Islam, T., Islam, S. M., Sarkar, A., Obaidur, A., Khan, R., Paul, R., & Bari, M. S. (2024). Artificial Intelligence in Fraud Detection and Financial Risk Mitigation: Future Directions and Business Applications. International Journal for Multidisciplinary Research, 6, 1-23. https://www.ijfmr.com/research-paper.php?id=28496
3. Kandhikonda, S. (2025). AI-Enhanced Fraud Detection in Financial Services: A Technical Deep Dive. IJSAT-International Journal on Science and Technology, 16(1). https://www.ijsat.org/papers/2025/1/2805.pdf
4. Ken Research. (2025). Indonesia AI in Financial Fraud Detection Market. https://www.kenresearch.com/indonesia-ai-in-financial-fraud-detection-market
5. Sujana, D. A., & Laela, S. F. (2025). AI for Fraud Detection and Accounting System Security: Implementation in Indonesian Islamic Banks. Jurnal Akuntansi dan Bisnis, 25(1), 65-86. https://jab.fe.uns.ac.id/index.php/jab/article/view/1308
6. Utomo, D. (2021). Pemodelan deteksi fraud pada transaksi klaim asuransi menggunakan data mining [Tugas akhir, Universitas Indonesia]. Fakultas Ilmu Komputer, Universitas Indonesia. https://lib.ui.ac.id/detail?id=20516434&lokasi=lokal
7. Vieras, B., Mark, D., John, A., & Martin, T. (2025). The Impact of Real-Time Financial Fraud Detection on Financial Institutions’ Reputation and Customer Trust. https://www.researchgate.net/publication/388068563_The_Impact_of_Real-Time_Financial_Fraud_Detection_on_Financial_Institutions’_Reputation_and_Customer_Trust

Diperbarui pada 18 Desember 2025