Financial Fraud Detection using

Social Network Analysis

Andry Alamsyah1,2, Budi Rahardjo2, Kuspriyanto2
1
Sekolah Manajemen Telekomunikasi dan Media, Institut Manajemen Telkom
2
Sekolah Teknik Elektro dan Informatika, Institut Teknologi Bandung
andry.alamsyah@imtelkom.ac.id

Abstrak
Salah satu ancaman besar terhadap suatu perusahaan adalah kejahatan penyelewengan keuangan / financial fraud. Terdapat
beberapa aktivitas yang termasuk ke dalam kategori kejahatan ini yaitu: corruption, asset misappropriation dan fraudulent
statements. Pencegahan bisa dilakukan dengan hanya mengawasi aktor aktor tertentu di dalam jaringan perusahaan yang
mempunyai nilai centrality yang besar. Jika kejahatan sudah dilakukan, maka tantangan yang dihadapi adalah bagaimana
mendeteksi aliran hasil kejahatan menggunakan metode penelusuran ego-centric network dan community detection. Metoda
metoda yang disebutkan diatas merupakan bagian dari metodologi Social Network Analysis (SNA), yang memodelkan
hubungan antar manusia di dalam jaringan sosial. SNA menyediakan metrik metrik untuk kuantifikasi hubungan hubungan
tersebut. Dalam paper ini akan dijelaskan kemungkinan skenario financial fraud dan bagaimana menggunakan metrik di
dalam metodologi SNA untuk pencegahan dan penelusuran financial fraud berdasarkan topologi jaringan.

Kata Kunci : financial fraud, social network analysis, graph theory, community detection, centrality, ego-centric

I. PENDAHULUAN menggunakan metrik dan metodologi Social Network

Financial fraud adalah salah satu jenis kejahatan yang
dilakukan karyawan internal dalam suatu perusahaan, dan
pada umumnya dilakukan oleh mereka yang mempunyai
kekuasaan / posisi strategis atau dilakukan secara kolektif
antar beberapa orang dalam satu kelompok dengan
kekuasaan yang cenderung merata [1]. Posisi strategis
merupakan hal yang mendominasi seorang karyawan
untuk menyalahgunakan wewenang untuk kepentingan
pribadi atau kelompoknya [2]. Interaksi antar karyawan
dengan lingkungannya kita modelkan menjadi suatu
model jaringan berdasarkan hubungan atau interaksi antar
mereka.
Pada paper ini, kami membahas bagaimana mencegah
terjadinya financial fraud dan mendeteksi aliran hasil
kejahatan berdasarkan perilaku individu dan kelompok
Analysis (SNA), baik yang bersifat khusus seperti tie-
strenght, reciprocal, transitivity atau yang umum seperti
centrality dan community detection [3]. Sejauh
pengamatan kami, paper kami ini yang pertama kali
menjabarkan ide deteksi financial fraud menggunakan
pendekatan topologi / struktur jaringan SNA.
Uniform Occupational Fraud Classification System yang
diterbitkan oleh Association of Certified Fraud
Examiners (ACFE) mendefinisikan kejahatan financial
fraud dan membaginya menjadi tiga klasifikasi aktivitas
utama yaitu : corruption, asset misappropriation dan
fraudulent statements seperti pada gambar 1. Paper ini
tidak membahas detail masing masing aktivitas tersebut,
karena ide penelitian ini di fokuskan pada pola aktivitas
kejahatan dan pertukaran informasi antar aktor dan
pendukungnya. Ketiga aktivitas diatas bisa dilakukan
oleh individu dengan dukungan orang lain. Dukungan

e-Indonesia Initiatives (eII-Forum) 2013, Institut Teknologi Bandung

ICT For Smart Society | Think Ecosystem Act Convergence
tersebut hanya bisa terjadi jika ada hubungan antar dua
individu tersebut kuat, yang di representasikan sebagai
tie-strenght [4]
gambar 1. diagram peta kategori financial fraud, sumber
http://www.acfe.com
Permasalahan umum pada riset yang berkenaan dengan
kejahatan financial fraud adalah ketersediaan dataset. Hal
ini terjadi karena sifat umum perusahaan yang sedang
mengalami masalah financial fraud cenderung tidak
menerbitkan kondisi keuangan yang sesungguhnya
karena khawatir akan merugikan kepercayaan pelanggan
dan harga saham. Satu satunya dataset terbesar dan
komprehensif berkenaan dengan kasus korupsi adalah
dataset email dari perusahaan Enron, yang merupakan
dataset ukuran besar. Untuk keperluan riset ini, kami
melakukan proses pembersihan / kategorisasi data
tersebut, dan proses tersebut masih berlangsung sampai
saat paper ini dibuat. Untuk mensimulasikan skenario
ide paper ini, kami menggunakan dataset ego-network
dari facebook yang kami peroleh dari Stanford Large-
Network Dataset Collection (SNAP).
gambar 2.a reciprocity 4/7, 4 relasi timbal balik dari keseluruhan total
7 relasi. 2.b transitivity A mempunyai berteman dengan B dan C, maka
besar kemungkinan B berteman dengan C
e-Indonesia Initiatives (eII-Forum) 2013, Institut Teknologi Bandung
ICT For Smart Society | Think Ecosystem Act Convergence
II. SOCIAL NETWORK ANALYSIS DAN
SKENARIO
SNA memodelkan hubungan antar individu pada suatu
jaringan sosial tertentu. Pada SNA individu
direpresentasikan sebagai titik / node dan hubungan antar
individu direpresentasikan sebagai garis / edge. SNA
dikembangkan dari teori graph di matematika, dan
merupakan bagian dari network science [3], yang tujuan
utamanya adalah untuk memahami dan
merepresentasikan perilaku dari jaringan yang ada di
dunia nyata. Pengamatan struktur jaringan model pada
SNA bisa dipakai sebagai dasar untuk mendeteksi
anomali yang mungkin terjadi pada jaringan dimana
financial fraud terjadi. Aplikasi metrik SNA untuk
financial fraud secara singkat bisa dilihat pada tabel 1.
Berikut ini beberapa ukuran yang dipakai pada penelitian
ini.
ll.1 Tie Strenght, Reciprocity dan Transitivity
Tie Strenght atau kekuatan hubungan menggambarkan
seberapa kuat hubungan antar dua individu. Suatu
hubungan yang pertemanan yang kuat bisa dilihat dari
frekuensi komunikasi antar dua individu. Hubungan
pertemanan yang dekat memfasilitasi transfer
pengetahuan dan cenderung mempunyai motivasi tinggi
untuk saling membantu [6]. Tie Strenght pada umumnya
direpresentasikan sebagai bobot (weight) garis pada
model SNA
Reciprocity adalah hubungan interaksi timbal balik antar
aktor yang sering ditemukan pada suatu komunitas.
Reciprocity merupakan faktor penting untuk koordinasi
suatu proyek, berkolaborasi, dan pengembangan jalur
komunikasi yang efektif. Suatu jaringan yang kaya
dengan komunikasi reciprocal memungkinkan individu
didalamnya untuk saling melakukan klarifikasi,
memperpanjang, dan menyempurnakan ide. Reciprocity
juga mengurangi ketidakpastian antar individu dengan
mengutamakan tingkat kepercayaan dan solidaritas [7].
Dalam skala yang lebih luas reciprocity juga berguna
untuk koordinasi grup / kelompok / komunitas dalam
suatu jaringan. Banyak jaringan sosial dunia nyata
mempunyai karakteristik yang didominasi oleh
komunikasi reciprocal.
Transitivity adalah kecenderungan dua individu yang
mana keduanya terhubung / berteman dengan orang
ketiga, sehingga kedua individu pertama tersebut juga
berteman [3]. Jika satu individu menyarankan hubungan
antar alternya, maka tingkat kohesi grup (Group
Cohesion) mereka akan meningkat. Kohesi suatu grup
akan dibahas lebih mendalam perannya pada pembahasan
mengenai Community Detection. Gambar 2 memberikan
ilustrasi dan penjelasan singkat mengenai transitivity dan
reciprocity.
II.2 Ego-centric Network
Ego-centric network adalah analisa jaringan yang
berfokus kepada sifat dari satu individu (ego)
berdasarkan analisa dari beberapa node yang menjadi
tetangganya (alter) [5]. Dengan kata lain ego-centric
network digunakan untuk memahami perilaku individu
dalam satu jaringan. Hubungan level-1 dari suatu ego-
centric network, merupakan hubungan yang terkuat,
dimana individu mengetahu bagaimana kondisi alter
mereka, demikian juga para alter saling mengetahui
kondisi individu yang berhubungan langsung dengannya.
Individu akan lebih sulit memahami hubungan dengan
level yang lebih jauh dan kekuatan pertukaran informasi
serta pengaruh akan menjadi berkurang. Marsden [8]
menyatakan bahwa hubungan ego-centric network
dibawah 2 level disebut sebagai sphere of influence,
yang artinya batas pengaruh langsung dari satu ego
network.
II.3 Centrality dan Community Detection
Centrality adalah ukuran untuk menentukan siapakah
aktor utama di dalam suatu network yang mempunyai
peran yang central terhadap semua individu di dalam satu
jaringan [3]. Terdapat beberapa jenis centrality, beberapa
yang terpenting adalah centrality dalam hal jumlah
koneksi ke individu lainnya di dalam jaringan, centrality
dalam hal lokasi di dalam suatu jaringan relatif terhadap
semua individu lainnya, centrality posisi individu
terhadap komunitas yang ada didalam suatu jaringan, dan
juga ranking centrality.
Community Detection adalah suatu metode untuk
mendeteksi keberadaan komunitas di dalam suatu
jaringan. Sifat alami dari jejaring sosial adalah multi-
layer / multi-dimensional [9], dimana jenis hubungan
antar dua individu mungkin bukan satu satunya jenis
hubungan yang ada. Dengan melakukan ekstraksi
e-Indonesia Initiatives (eII-Forum) 2013, Institut Teknologi Bandung
ICT For Smart Society | Think Ecosystem Act Convergence
hubungan yang ada dalam pada jaringan sosial, kita
mungkin bisa memperoleh lebih dari satu jenis hubungan,
hal ini juga berarti kita mempunyai banyak model SNA
dalam satu jaringan yang sama. Deteksi komunitas
bersifat subyektif, selama ini kita diberikan rambu
rambu bagaimana menentukan komunitas, akan tetapi
keputusan terakhir kembali ke model yang sesuai dengan
kebutuhan kita.
Komunitas ditentukan oleh beberapa ukuran, diantaranya
adalah group cohesion, yaitu bagaimana suatu grup bisa
terus bertahan, jika kohesi bagus maka grup tersebut akan
terus bersama, sebaliknya jika kohesi tidak bagus /
kurang kuat maka grup tersebut akan terpecah. Kekuatan
suatu grup ditentukan oleh kekuatan reciprocity dan
transitivity anggota di dalamnya. Ukuran lain dari
komunitas adalah clustering coefficient yang mengukur
peluang dua individidu berada pada grup yang sama.
Ukuran terakhir adalah modularity, yaitu ukuran
kekuatan pembagian suatu jaringan menjadi satu atau
beberapa komunitas. Semakin besar nilai modularity
artinya semakin kuat hubungan node dengan
lingkungannya dan membentuk dense network . Dense
network akan membentuk komunitas, sedangkan
lawannya sparse network akan menjadi penghubung
antar komunitas atau tidak terhubung sama sekali.
Dari berbagai metrik yang tersedia pada SNA untuk
pengukuran terhadap jaringan, ide utama pendeteksian
berdasarkan tiga hal berikut
1. frekuensi komunikasi antar individu,
2. banyaknya komunikasi dua arah antar individu
(reciprocal)
3. struktur atau kohesi dari komunitas yang ada di
dalam jaringan tersebut.
Ide kami berdasarkan dari asumsi bahwa pada jaringan
financial fraud terdapat irregularities atau
ketidaknormalan dibandingkan dengan jaringan normal.
Kondisi tidak normal bisa diterjemahkan sebagai kondisi
dimana frekuensi komunikasi yang lebih tinggi dari
biasanya, alur komunikasi yang reciprocal atau simetris
antar aktor. Perubahan frekuensi komunikasi menjadi
lebih tinggi dan reciprocal merupakan akibat perubahan
struktur jaringan karena pelaku kejahatan melakukan
koordinasi secara intensif.
Pada kasus financial fraud, posisi posisi central dalam
suatu jaringan patut diawasi karena berpotensi kuat untuk
mempengaruhi individu lainnya. Selain itu posisi central divisualisasikan pada gambar 3. Degree average adalah
mempunyai kecenderungan untuk memanipulasi sebesar 15,129 dan maksimum degree adalah 77. Node
lingkungannya karena mempunyai pengetahuan yang dengan degree diatas 60 sebanyak 11 node (3.3%) dan
luas tentang bagaimana sistem perusahaan bekerja. Ada edges sebanyak 54 (2.14%). Urutan node dengan degree
dua kemungkinan skenario yang berhubungan dengan diatas 60 dapat dilihat pada pada tabel 2.
posisi central, yaitu yang pertama seseorang yang
Tabel 2. Degree node lebih besar dari 60, dengan informasi nilai BC =
mempunyai posisi central bekerja sendiri dalam
Betweeness Centrality, CC = Closeness Centrality dan EC =
melakukan kejahatan, yang kedua adalah beberapa orang Eigenvector Centrality
pada posisi central melakukan kejahatan secara kolektif
dan saling melindungi. Kejahatan kolektif bisa dideteksi Node Degree BC CC EC
dari metrik community detection yang berfungsi untuk 56 77 0.002 1 1
67 75 0.002 1 0.997
melihat berapa banyak grup yang ada didalam jaringan, 271 72 0.002 1 0.977
sehingga memudahkan kita mengawasi jaringan dengan 322 71 0 0.909 0.82
mengecilkan jumlah individi yang harus dicurigai. 25 68 0.002 1 0.789
Secara umum pencegahan financial fraud bisa dilakukan 26 67 0.002 1 0.938
252 64 0.002 1 0.892
dengan bantuan metrik centrality dan community
277 64 0.002 1 0.826
detection. 21 64 0.002 1 0.817
122 62 0.002 1 0.836
Jika kejahatan financial fraud telah terjadi, kita bisa 119 61 0 0.909 0.691
menggunakan pengukuran ego-centric network untuk
melacak aliran hasil kejahatan atau diseminasi informasi
dari pelaku yang ke alter ego-centric network pelaku
tersebut. Probabilitas terbesar adalah alter langsung dari
pelaku atau mereka yang ada pada level-1 ego-centric
network.

Tabel 1. Peran metrik SNA pada deteksi financial fraud

Metrik SNA Fungsi

Tie Strenght Mengukur kekuatan hubungan antar
karyawan
Reciprocity Mengukur rasio banyaknya hubungan timbal
balik antar karyawan dalam suatu
perusahaan
Transitivity Mengukur kecenderungan terbentuknya
hubungan baru antar dua karyawan yang
terhubung dengan satu karyawan yang sama
Ego-centric Mengukur sifat atau properti jaringan
Network dimulai dari satu karyawan tertentu yang
kita curigai sebagai pelaku
Centrality Mengukur karywan yang mempunyai peran
central dalam satu perusahaan
Community Mendeteksi kelompok karyawan, baik
Detection jumlah dan karakteristiknya dalam satu
perusahaan

III. SIMULASI

Simulasi pada paper ini menggunakan dataset anonim

facebook undirected network sebanyak 333 individu gambar 3. visualisasi dataset menggunakan algoritma Fruchterman-
(node) dan 2509 hubungan (edge). Dataset Reingold (atas) dan Force Atlas (bawah) pada Gephi. Degree

e-Indonesia Initiatives (eII-Forum) 2013, Institut Teknologi Bandung

ICT For Smart Society | Think Ecosystem Act Convergence
Untuk penelurusan kejahatan dengan analisa ego-centric
network, kami menggunakan node 56 sebagai dasar node
ego dengan alasan node tersebut adalah node dengan
degree terbesar dan nilai centrality (BC, CC dan EC)
terbesar (tabel 2). Kami asumsikan node 56 adalah aktor
yang mempunyai peran penting dan kemungkinan
merupakan pelaku kejahatan. Asumsi kami juga
berdasarkan perhitungan bahwa jika pelaku adalah node
lain maka skala kerugian tidak akan sebesar node 56.
Analisa ego-centric network level 1 dan 2 dari node 56
bisa dilihat pada gambar 4. Untuk level 1 terdapat 78
(23,42%) node dan 1074 (41,56%) edge. Untuk level 2
terdapat 192 (57,66%) node dan 1952 (77,49%) edge.
Dengan simulasi ego-centric network, kita mendapatkan
hasil bahwa kita hanya perlu memeriksa sebesar 23,42%-
57,66% dari keseluruhan karyawan yang kemungkinan
terlibat kerjasama atau menerima aliran dana dari
financial fraud. Persentase diatas adalah adalah
persentase maksimum yang bisa kita peroleh (worst-
case), untuk node yang lain maka persentase yang
diperoleh akan lebih kecil.
Pencegahan financial fraud menggunakan pendekatan
topologi jaringan SNA berdasarkan skenario di bab ll,
adalah dengan menentukan dan menemukan komunitas
komunitas yang ada pada suatu perusahaan. Komunitas
terbentuk dari tie-strenght, reciprocity, transitivity, group
cohesion. Dari simulasi kita berhasil menemukan 13
komunitas (gambar 4.) dengan persentase komposisi
banyaknya node yang ada didalam komunitas tersebut
seperti tercantum pada tabel 3 berikut ini.

Tabel 3. komunitas, persentase dan node dengan degree terbesar pada

komunitas.

Komunitas Persentase Node dengan Degree Node

(%) Degree (a)
Terbesar (a)
2 31,23 56 77
7 13,51 312 25
3 12,61 175 16
1 12,31 271 72
0 10,21 53 30
4 8,11 119 61
5 3,9 320 20
8 3 275 9
10 2,4 89 7
9 0,9 179 2
12 0,6 233 1
11 0,6 282 1
6 0,6 33 1

Node dengan degree terbesar pada tabel 2, mayoritas

gambar 4. ego-centric level-1 (atas) dan level-2 (bawah) dari node 56
menjadi anggota komunitas 2, kecuali node 271 yang
menjadi anggota komunitas 1. Hasil ini sudah bisa
diduga, karena node dengan degree besar cenderung
terhubung dengan node dengan degree besar lainnya.
Komunitas 2 sering disebut sebagai giant component [4],
karena mendominasi jaringan dan konektifitas yang antar
anggota yang sangat kuat. Dengan terdeteksinya
komunitas dalam jaringan dan node yang dominan di
masing masing komunitas, kita pada akhirnya
memperoleh lingkup pengawasan yang lebih kecil dan
fokus. Dalam hal dataset diatas kita hanya perlu
melakukan pengawasan ketat terhadap komunitas 1 & 2,

e-Indonesia Initiatives (eII-Forum) 2013, Institut Teknologi Bandung

ICT For Smart Society | Think Ecosystem Act Convergence
karena mempunyai node yang masuk ke dalam 10 besar
node dengan degree terbesar (tabel 2.)
Pendekatan komunitas ini juga bisa dipakai untuk
mendeteksi aliran kejahatan dengan menggunakan
algoritma sebagai berikut
1. Memilih beberapa komunitas yang mempunyai
node yang masuk ke dalam daftar node dengan
degree terbesar.
2. Analisa ego-centric network pada komunitas di
langkah 1, dengan node ego adalah node dengan
degree terbesar
gambar 4. 13 komunitas pada dataset facebook dikelompokkan
berdasarkan warna
IV. KESIMPULAN DAN SARAN
Metode yang kami tawarkan bertujuan untuk
memperkecil ruang pencarian dan pencegahan kejahatan
financial fraud. Metode ini membantu usaha usaha
penyelidikan seperti proses audit dan digital forensics.
Ide kami berdasar kepada asumsi bahwa struktur jaringan
berubah drastis dengan adanya aktivitas kejahatan.
Asumsi ini pada kenyatannya justru bisa terjadi
sebaliknya dimana jaringan akan menjadi lebih “diam”
atau berkurang interaksi dan frekuensi komunikasi karena
adanya usaha untuk menjaga kerahasiaan.
e-Indonesia Initiatives (eII-Forum) 2013, Institut Teknologi Bandung
ICT For Smart Society | Think Ecosystem Act Convergence
Saran untuk penelitian selanjutnya adalah membangun
model yang bisa mengakomodasi beberapa skenario /
pattern pada topologi jaringan. Sedangkan untuk
perbaikan paper ini, bisa dilakukan dengan
menambahkan eksperimen menggunakan dataset kasus
financial fraud sebenarnya, sehingga meningkatkan
validitas metode.
DAFTAR PUSTAKA
[1] A. Barr, D. Serra. 2006. Culture and
Corruption. Global Poverty Research Group.
University of Oxford
[2] Takacs, P. Csapodi, K. Gyorgy-Takacs. 2011.
Corruption as Deviant Social Attitude. Journal
of Public Finance Quarterly No. 56 vol.1. num.
27-43. P.
[3] Newman, M.E.J. 2011. Network: An
Introduction. Oxford University Press
[4] Waserman, S., Faust K. 1994. Social Network
Analysis: Methods and Application. New York:
Cambridge University Press
[5] Moustafa, W.E, Deshpande, A, Getoor, L. Ego-
centric Graph Pattern Census. 2012. IEEE 28th
International Conference on Data Engineering
[6] Gravonetter, M. The Strenght of Weak Ties.
1973. The American Journal of Sociology, 78:
1360 – 1380
[7] Molm, L., Schaeffer, D., Collet, J. 2007. The
Value of Reciprocity. Social Psychology
Quaterly, 70: 199-217
[8] Marsden, P. 2002. Egocentric and Sociocentric
Measures of Network Centrality. Social
Networks, 24: 407-422
[9] S. Fortunato. 2010. Community Detection in
Graph. Physics Report 486:75-174