Professional Documents
Culture Documents
https://jmp.kemenkeu.go.id
ISSN PRINT: 2776-7256 | ISSN ONLINE: 2775-5010
Abstract
With frequent transaction but relatively variative in nominal value, manual supervision of
goods purchasing for operational needs such as operational inventory expense (account
code 521811) becomes very expensive and time-consuming. As a result, expenditure
business process on this account is vulnerable to fraudulent practices. The Budget Section
(BA) 060-The Indonesian National Police faces the greatest risk of fraud on that account
because the realization value of 521811 account is the highest compared to other
institutions. One of the early indications of fraudulent transactions is usually from the
irregularity of the transaction pattern from normal behavior (anomalies). Machine Learning
model can be used to automate internal control over this risk with much greater efficiency
and effectiveness. This study tries to detect anomalies at BA 060 using the Isolation Forest
method. The experiment results show that the most optimal model to detect anomalies of
operational inventory expense (account 521811) in working units of BA 060-Polri at the
contamination parameter value of 0.3%. Further development of this model can be used as
an additional feature in the payment module of the SAKTI application system to automate
anomaly detection instantly when the operator input the inventory transaction.
Abstrak
Dengan transaksi yang sering namun dalam nilai yang cukup bervariasi, pengawasan
belanja barang untuk kebutuhan operasional seperti belanja barang persediaan konsumsi
(kode akun 521811) secara manual menjadi sangat mahal dan menyita waktu. Akibatnya,
proses bisnis belanja akun 521811 ini menjadi rentan praktik fraud. Bagian anggaran (BA)
060-Kepolisian Republik Indonesia menghadapi risiko fraud realisasi akun 521811 paling
besar karena memiliki total realisasi belanja akun 521811 paling tinggi daripada BA
lainnya. Salah satu indikasi awal transaksi fraud biasanya ada pada ketidakwajaran pola
transaksi dari perilaku normal (anomali). Pemodelan machine learning dapat digunakan
untuk mengotomatisasi pengawasan internal atas risiko anomali ini dengan lebih efektif
dan efisien. Penelitian ini mencoba melakukan deteksi anomali menggunakan metode
isolation forest pada BA 060. Hasil yang didapat, model mampu mendeteksi anomali
transaksi belanja barang persediaan pada satker BA 060-Polri secara optimal pada nilai
contamination parameter 0,3%. Pengembangan lebih lanjut dari model ini dapat
dijadikan fitur tambahan dalam modul pembayaran aplikasi SAKTI untuk
mengotomatisasi deteksi anomali pada saat operator melakukan proses perekaman
transaksi persediaan.
40,00
29,88 30,57
30,00
20,00
14,94 14,73
12,75 12,15
10,7110,91
10,00 6,37 6,73 5,60 5,63 5,89
4,02
0,49
0,00
Porsi 2019 Porsi 2020 Porsi 2021
013 (KEMENTERIAN HUKUM DAN HAK ASASI MANUSIA RI) K/L Lainnya
termasuk ke dalam persediaan konsumsi (fraud), namun red flag biasanya selalu
antara lain ATK, bahan cetakan, alat-alat muncul di setiap kasus kecurangan yang
rumah tangga, dan suplai komputer terjadi.
seperti cartridge/tinta/toner printer.
Penyalahgunaan Aset
Kecurangan (Fraud) Menurut Association of Certified
Bologna et al. (1993) Fraud Examiners (2000), ada tiga
mendefinisikan fraud sebagai “criminal kategori fraud, yaitu kecurangan laporan
deception intended to financially benefit keuangan (financial statement fraud),
the deceiver” atau kecurangan adalah penyalahgunaan aset (asset
penipuan kriminal yang bermaksud misappropriation), dan Korupsi
untuk memberi manfaat keuangan (Corruption). Kecurangan belanja
kepada pelaku. Amrizal (2004) persediaan termasuk ke dalam kategori
mencantumkan tiga langkah penyalahgunaan aset. Amrizal (2004)
kecurangan (fraud), yaitu (1) menekankan bahwa pemahaman yang
tindakan/the act, (2) penyembunyian/ tepat atas pengendalian intern yang
the concealment, dan (3) konversi/the baik dalam pos-pos aset akan sangat
conversion. Contoh fraud pada aset membantu dalam mendeteksi
persediaan seperti pelaku melakukan kecurangan penyalahgunaan aset.
tindakan (act) membuat transaksi fiktif
Sistem Pengendalian Internal
pembelian persediaan, tetapi karena
Menurut Mulyadi (2014), ada
fisik persediaannya tidak ada, pelaku
empat unsur pokok dalam sistem
akan menyembunyikan (concealment)
pengendalian internal (SPI), yaitu (1)
kecurangan tersebut dengan membuat
pemisahan tanggung jawab secara tegas
bukti transaksi pengeluaran/konsumsi
pada struktur organisasi, (2) sistem
persediaan fiktif. Selanjutnya, pelaku
wewenang dan prosedur pencatatan
dapat dengan leluasa mengonversi
yang dapat melindungi aset, utang,
(conversion) manfaat finansial dari
pendapatan, dan biaya secara cukup, (3)
transaksi pengadaan dan konsumsi fiktif
praktik yang sehat dalam pelaksanaan
tersebut.
tugas dan fungsi organisasi, serta (4)
Red Flag kualitas SDM yang sesuai dengan
Menurut Amrizal (2004), petunjuk tanggung jawabnya. Dari empat unsur
adanya kecurangan biasanya pokok SPI tersebut, unsur pertama
ditunjukkan oleh munculnya gejala- (pemisahan kewenangan) menjadi
gejala (symptoms) yang di luar kebiasaan kelemahan utama dalam proses
seperti adanya perubahan gaya hidup transaksi belanja barang persediaan,
atau perilaku seseorang, dokumentasi terutama pada satker kecil dengan
yang mencurigakan, keluhan dari jumlah personel yang terbatas. Dalam
pelanggan ataupun kecurigaan dari konteks transaksi belanja persediaan
rekan sekerja. Gejala yang menyimpang konsumsi, risiko fraud akan makin besar
dari kenormalan tersebut dinamakan red apabila tidak ada pemisahan
flag. Meskipun tidak semua indikasi red kewenangan antara pihak yang
flag merupakan tindak kecurangan melakukan kegiatan pengadaan atau
Halaman 6 Jurnal Manajemen Perbendaharaan ─ Volume 4, Nomor 1, 2023
fig.update_xaxes(
rangeslider_visible=True,
)
fig.show()
Sumber: diolah peneliti
selanjutnya, karena penentuan nilainya Dari hasil trial and error, terpilih tiga
memengaruhi akurasi model nilai contamination parameter, yaitu
mendeteksi anomali. Parameter kedua 0,005; 0,003; dan 0,001. Hasil pengujian
adalah max_samples yang menentukan ketiga parameter kemudian dikonversi
berapa banyak sampel yang dapat dari anomaly score menjadi label yes dan
digunakan model untuk berlatih. Di no dengan menggunakan kode
model ini, max_samples dipasang ‘auto’ pemrograman sebagaimana
yang memiliki arti semua data (populasi) ditampilkan pada Gambar 2. Kode yes
digunakan untuk latihan model. Terakhir, berarti baris data tersebut merupakan
parameter n_estimators dipilih ke angka data anomali (outlier), sedangkan kode
100 yang merupakan angka standar no merupakan tanda untuk baris data
(default) dari model isolation forest. yang normal (inlier). Langkah
selanjutnya, melakukan visualisasi data
Proses Penentuan Nilai
realisasi yang merupakan outliers.
Contamination Parameter yang Tepat
Sedangkan tanda titik berwarna biru
merupakan titik data realisasi yang wajar. September 2022 dengan nilai belanja
dalam scatter plot diagram. Tanda titik persediaan sebesar Rp400 dari pagu
berwarna merah menunjukkan titik data belanja barang Rp111,61 Miliar atau
realisasi yang merupakan outliers. persentase persediaan sebesar
Sedangkan tanda titik berwarna biru 0,0000007%.
merupakan titik data realisasi yang wajar. Langkah selanjutnya adalah
Berdasarkan hasil pengujian deteksi menyimpan data yang sudah
anomali menggunakan nilai memperoleh label inlier dan outlier
contamination parameter sebesar 0,005 menggunakan library joblib. Karena
seperti scatter plot yang ditampilkan sudah memiliki label, data dari hasil
Grafik 2, jumlah data transaksi yang model Isolation Forest tersebut juga
terdeteksi anomali sebanyak 165 baris dapat digunakan menjadi data training
data. Secara visual, masih ada plot data untuk membuat model deteksi anomali
yang sebenarnya masih dekat dengan Supervised Machine Learning.
data lainnya, dideteksi sebagai anomali
oleh model. KESIMPULAN DAN SARAN
Apabila menggunakan nilai
contamination parameter 0,001 seperti Kesimpulan
Grafik 3, jumlah anomali data transaksi Hasil pengujian menunjukkan
yang terdeteksi sebanyak 33 transaksi. bahwa model isolation forest memiliki
Berkebalikan dengan Grafik 2, plot data potensi untuk mendeteksi anomali yang
yang tampak sudah jauh dari data terjadi pada data transaksi akun belanja
lainnya masih dianggap normal (inlier) persediaan (521811). Berdasarkan hasil
oleh model. Secara visual, nilai uji coba beberapa nilai contamination
contamination parameter terbaik adalah parameter, nilai 0,3% merupakan nilai
0,003 atau 0,3% seperti yang yang paling optimal dalam uji coba
diperlihatkan pada Grafik 4. Model model yang dipilih dalam mendeteksi
mendeteksi sebanyak 99 baris data anomali. Terlepas dari valid atau
sebagai anomali. Plot data yang jauh tidaknya indikasi fraud pada data yang
dari data lainnya dianggap anomali, dideteksi sebagai anomali oleh model,
sementara yang masih berdekatan hasil learning dari penelitian ini dapat
dianggap normal oleh sistem. dimasukkan sebagai fitur tambahan
Tabel 2 menunjukkan transaksi yang berfungsi sebagai early warning
yang dideteksi sebagai anomali oleh system pada aplikasi otorisasi belanja
model. Berdasarkan tabel tersebut, data satker, seperti aplikasi sistem aplikasi
anomali dengan persentase persediaan keuangan tingkat instansi (SAKTI).
tertinggi adalah transaksi kode satker Saran
640338 di bulan Oktober 2019 dengan Penelitian ini menggunakan data
nilai belanja persediaan (5211811) realisasi belanja akun 521811 secara
sebesar Rp43,37 miliar dari pagu belanja bulanan. Nilai realisasi bulanan ini
barang (52) sebesar Rp58,65 miliar atau merupakan nilai neto yang didapat dari
persentase persediaan sebesar 73,95%. nilai realisasi belanja
Sedangkan data anomali dengan ditambah/dikurangi dengan transaksi
persentase persediaan terendah adalah koreksi akun dan/atau transaksi
transaksi kode satker 646307 di bulan pengembalian belanja. Transaksi koreksi
DETEKSI ANOMALI MENGGUNAKAN ISOLATION FOREST
BELANJA BARANG PERSEDIAAN KONSUMSI PADA SATUAN KERJA
KEPOLISIAN REPUBLIK INDONESIA Halaman 13
akun dan pengembalian belanja ini sama positif. Ada beberapa indikasi
biasanya merupakan koreksi dan/atau yang terkait koreksi tambah ini yaitu
pengembalian belanja persediaan bulan adanya nilai realisasi per bulan yang
sebelumnya. Untuk penelitian lebih dari 70% pada satker tertentu.
selanjutnya, disarankan untuk
menggunakan nilai per transaksi pada REFERENSI
surat perintah pencairan dana (SP2D)
sehingga koreksi akun dan Alla, S & Adari, S. K. (2019). Beginning
pengembalian belanja tidak termasuk ke anomaly detection using python-
dalam model. based deep learning with keras and
pytorch. New York: Apress.
Amrizal. (2004). Pencegahan dan
IMPLIKASI DAN
pendeteksian kecurangan oleh
KETERBATASAN internal auditor. Jakarta. Badan
Implikasi Pengawasan Keuangan dan
Penelitian deteksi anomali dengan Pembangunan.
menggunakan isolation forest dapat Anggraeni, D.P. (2018). Fraud pada tata
diimplementasikan sebagai alternatif kelola penatausahaan persediaan
pencegahan melalui deteksi fraud. badan layanan umum (studi kasus
Pemodelan ini memiliki potensi untuk pada universitas x di Kota Malang).
dikembangkan dan ditambahkan ke Tesis. Universitas Brawijaya.
dalam modul pembayaran aplikasi Association of Certified Fraud Examiners.
SAKTI sebagai fitur deteksi anomali (2000). Fraud examiners manual
secara otomatis saat penginputan third edition. Texas: Association of
transaksi oleh operator. Certified Fraud Examiners.
Auffarth, B. (2021). Machine learning for
Keterbatasan time-series with python: Forecast,
Data realisasi belanja akun 521811 predict, and detect anomalies with
yang diuji hanya data total nominal state-of-the-art machine learning
transaksi per bulan, bukan data per methods. Birmingham, UK: Packt
transaksi SP2D. Dalam nilai transaksi per Publishing.
bulan yang menjadi objek penelitian, Bologna, G. J., Lindquist, R. J., & Wells, J.
selain transaksi pencairan SP2D, juga T. (1993). Investigation audit 4th
terdapat transaksi koreksi SP2D dan edition. New Jersey: Prentice-Hall.
pengembalian belanja bulan Brownlee, J. (2016). Machine learning
sebelumnya. Hal ini terlihat dari adanya mastery with python: Understand
nilai transaksi minus pada bulan dan your data, create accurate models
satker tertentu yang berasosiasi dengan and work projects end-to-end. San
total koreksi “kurang” pada bulan Francisco: Machine Learning
tersebut lebih besar daripada nilai Mastery.
realisasi belanja bulan berkenaan. Akan Buslim, N. & Iswara, R. P. (2019).
tetapi, model dalam penelitian ini tidak Pengembangan algoritma
dapat mendeteksi dan mengeliminasi unsupervised learning technique
koreksi “tambah” karena nilainya sama- pada big data analysis di media
Halaman 14 Jurnal Manajemen Perbendaharaan ─ Volume 4, Nomor 1, 2023