Faktur Bodong, TPPU & AI: Transformasi Anti-Fraud Perbankan

Dari 244 Kasus Pajak ke Alarm Serius Sistem Keuangan

Pada 2024, Direktorat Jenderal Pajak (DJP) menerbitkan 244 surat perintah penyidikan kasus pidana pajak, naik dari 214 kasus di 2023. Modusnya klasik tapi meresahkan: faktur pajak bodong, SPT tidak benar, pajak dipungut tapi tak disetor, sampai Tindak Pidana Pencucian Uang (TPPU).

Ini bukan cuma masalah pajak. Ini cermin rapuhnya governance di ekosistem keuangan Indonesia. Di satu sisi kita dorong digital banking, open finance, dan keuangan digital. Di sisi lain, masih banyak celah untuk manipulasi data dan transaksi.

Kalau Anda berada di dunia perbankan, fintech, atau jasa akuntansi, angka-angka ini bukan sekadar statistik. Ini warning: tanpa teknologi yang tepat, terutama AI untuk deteksi fraud dan analisis data, risiko kebocoran dan sanksi akan terus mengintai.

Artikel ini membedah pola kasus pajak yang diungkap DJP, lalu menarik benang merahnya ke peran AI dalam industri perbankan dan jasa akuntansi Indonesia: bagaimana AI bisa membantu memotong risiko faktur bodong, SPT palsu, dan TPPU di era digital banking.

---

Peta Kasus: Faktur Bodong, SPT Tidak Benar, dan TPPU

Intinya: modus pajak yang muncul di laporan DJP adalah pola fraud klasik yang juga sangat mungkin muncul di perbankan dan keuangan digital.

Berdasarkan Laporan Tahunan DJP 2024, gambaran besar kasusnya seperti ini:

• 244 surat perintah penyidikan tindak pidana pajak pada 2024
• 132 wajib pajak mengakui ketidakbenaran perbuatan (Pasal 8 ayat (3) UU KUP)
• 86 berkas penyidikan dinyatakan lengkap (P-21)
• 47 berkas sudah divonis pengadilan
• Nilai kerugian pendapatan negara di tahap penyidikan: Rp71,29 miliar
• Nilai kerugian pada perkara yang sudah divonis: Rp73,55 miliar
• Penyitaan aset: 68 tindakan dengan nilai Rp995,13 miliar

Modus yang Paling Sering Terjadi

Dari 86 berkas P-21 dan 26 penyidikan yang dihentikan lewat Pasal 44B UU KUP, pola kejahatannya cukup jelas:

1. SPT tidak benar – 59 kasus
2. Tidak menyetorkan pajak yang telah dipungut – 52 kasus
3. Menerbitkan/menggunakan faktur pajak fiktif – 43 kasus
4. Tidak menyampaikan SPT – 41 kasus
5. TPPU dan korporasi – 1 kasus
6. Tidak mendaftarkan / menyalahgunakan NPWP/PKP – 2 kasus
7. Turut serta dalam tindak pidana perpajakan – 2 kasus

Kalau Anda ganti kata "pajak" dengan "transaksi bank" atau "pembukuan perusahaan", polanya tetap sama:

• Data direkayasa
• Kewajiban tidak disampaikan
• Dokumen fiktif dipakai untuk menutupi aliran dana

Di sinilah AI untuk deteksi fraud masuk sebagai layer proteksi tambahan, baik di perbankan, fintech, maupun kantor akuntan.

---

Mengapa Modus Pajak Ini Relevan untuk Perbankan & Akuntansi

Realitasnya, kasus pajak jarang berdiri sendiri. Selalu ada jejak transaksi keuangan yang bersinggungan dengan bank, fintech, dan pembukuan internal.

Beberapa hubungan langsungnya:

• Faktur bodong biasanya dipakai untuk:
  • Menggelembungkan biaya (supaya laba kelihatan kecil)
  • Melegalkan aliran dana yang tidak jelas asal-usulnya
  • Mengatur skema TPPU dengan bungkus seolah-olah transaksi riil

• SPT tidak benar berarti:

  • Ada mismatch antara pembukuan internal, laporan keuangan, dan data transaksi perbankan
  • Data keuangan di sistem akuntansi sudah terkontaminasi sejak awal

• TPPU (walau di laporan hanya 1 kasus) adalah:

  • Puncak dari rangkaian rekayasa transaksi
  • Sangat terkait dengan fraud detection di bank, e-wallet, dan payment gateway

Perbankan dan jasa akuntansi yang masih mengandalkan pemeriksaan manual di Excel, laporan kertas, atau review sampling acak, akan sangat mudah kecolongan pola seperti ini.

Saya cukup sering melihat pola yang sama di banyak perusahaan:

Transaksinya rapi di atas kertas, tapi begitu dicocokkan dengan data perbankan dan perilaku transaksi, banyak yang tidak make sense.

Itu titik di mana AI dan analitik data bisa bekerja jauh lebih teliti daripada tim manusia yang kelelahan.

---

Peran AI: Dari Faktur Bodong Sampai TPPU di Digital Banking

AI yang dirancang dengan benar bisa menjadi "sensor dini" untuk mendeteksi pola anomali dari faktur, transaksi, hingga aliran dana lintas rekening.

Untuk konteks kampanye "AI dalam Industri Perbankan Indonesia: Era Digital Banking" dan seri "AI untuk Jasa Akuntansi Indonesia: Keuangan Digital", beberapa use case kuncinya:

1. Deteksi Faktur Bodong Berbasis Data

AI dapat menganalisis ribuan faktur pajak dan invoice dalam hitungan detik, mencari pola yang janggal, misalnya:

• Pemasok baru yang tiba-tiba punya volume transaksi sangat besar
• Nomor faktur yang polanya tidak sesuai dengan kebiasaan vendor
• Pola harga unit yang tidak wajar jika dibandingkan dengan transaksi sejenis
• Invoice berulang dengan nilai dan keterangan sama, hanya beda tanggal tipis

Contoh konkret:

• Sistem AI membaca data pembelian, vendor, dan faktur pajak selama 2 tahun.
• Ia membandingkan harga rata-rata per kategori barang.
• Vendor tertentu muncul dengan harga 2–3 kali lipat di atas rata-rata, tapi barang dan spesifikasinya sama.
• Sistem memberi flag ke tim akuntansi dan audit: potensi overpricing dan faktur tidak wajar.

Tanpa AI, pola seperti ini sering baru ketahuan saat sudah masuk ranah penyidikan pajak atau audit eksternal.

2. Analitik SPT & Pelaporan Pajak Otomatis

Untuk kantor akuntan dan bagian pajak perusahaan, AI dalam pelaporan pajak bisa:

• Mencocokkan data SPT dengan:
  • Laporan keuangan
  • Data transaksi bank
  • Data invoice dan payroll
• Mengidentifikasi:
  • Omzet yang tidak dilaporkan
  • Biaya fiktif atau double counting
  • Perbedaan mencolok antar tahun pajak

Di Indonesia, banyak SPT yang "dipoles" agar pajak terutang tampak lebih kecil. AI bukan polisi moral, tapi ia akan:

• Menandai anomali yang terlalu jauh dari benchmark industri
• Memberi skor risiko pada setiap klien atau entitas
• Membantu kantor akuntan memutuskan: mana yang aman, mana yang perlu pemeriksaan lebih dalam

Ini mengurangi risiko kantor akuntan ikut terseret apabila klien bermasalah di kemudian hari.

3. AI Anti-TPPU di Perbankan dan Fintech

TPPU adalah area di mana AI fraud detection paling terasa manfaatnya. Sistem AI bisa:

• Menganalisis pola transaksi nasabah:
  • Frekuensi, jumlah, tujuan, dan sumber dana
  • Hubungan antar rekening (network analysis)
  • Perbedaan perilaku sebelum dan sesudah momen tertentu
• Mengkategorikan risk level setiap transaksi:
  • Low, medium, high risk
  • Otomatis memicu enhanced due diligence untuk high risk

Contoh alur praktis di bank digital:

• Nasabah dengan profil gaji Rp10 juta/bulan, tiba-tiba menerima transfer puluhan kali dari berbagai rekening baru dengan total ratusan juta, lalu langsung dikirim lagi ke beberapa rekening luar negeri.
• Secara manual hampir mustahil tim kepatuhan memantau semua ini real-time.
• Model AI akan mengenali pola layering dan smurfing khas TPPU, lalu:
  • Memberi alert ke tim AML
  • Menahan sementara transaksi tertentu
  • Meminta verifikasi tambahan ke nasabah

AI di sini bukan menggantikan petugas AML dan kepatuhan, tapi membuat mereka 10x lebih efektif.

---

Implementasi Nyata: Dari Kantor Akuntan ke Bank Digital

Banyak yang mengira AI anti-fraud hanya cocok untuk bank besar. Nyatanya, kantor akuntan menengah dan fintech pun sudah bisa mulai dari skala kecil tapi berdampak.

Untuk Kantor Akuntan Indonesia

Beberapa langkah realistis yang bisa dilakukan:

1. Digitalisasi penuh dokumen

   • Scan faktur, invoice, kontrak
   • Gunakan OCR dan AI untuk mengekstrak data

2. Gunakan AI untuk rekonsiliasi otomatis

   • Cocokkan transaksi bank dengan pembukuan
   • Tandai selisih dan transaksi aneh dengan risk score

3. Bangun dashboard kepatuhan pajak klien

   • Monitoring SPT vs laporan keuangan
   • Flag klien berisiko tinggi (banyak anomali, sering telat, sering koreksi SPT)

4. Audit berbasis data, bukan hanya sampling

   • Biarkan AI menyisir 100% transaksi
   • Auditor fokus mendalami kasus yang sudah difilter AI

Ini sejalan dengan seri "AI untuk Jasa Akuntansi Indonesia: Keuangan Digital": dari pembukuan otomatis, pelaporan pajak, sampai dukungan audit cerdas.

Untuk Bank & Lembaga Keuangan

Di perbankan, integrasi AI deteksi fraud biasanya mencakup:

• Integrasi core banking dengan engine AI
  Setiap transaksi lewat engine ini untuk dianalisis pola risikonya.

• Model machine learning berbasis data historis fraud
  Model belajar dari kasus fraud dan TPPU yang sudah pernah terjadi.

• Monitoring real-time
  Alert muncul dalam hitungan detik, bukan setelah laporan bulanan.

• Kolaborasi dengan regulator
  Hasil deteksi AI bisa membantu melengkapi laporan ke PPATK, OJK, dan DJP.

Bank yang serius dengan AI anti-fraud biasanya melihat:

• Penurunan kerugian fraud yang terukur (misalnya 30–50% dalam 1–2 tahun)
• Proses investigasi yang lebih cepat karena prioritization berdasarkan skor risiko
• Reputasi kepatuhan yang lebih kuat di mata regulator dan nasabah

---

Tantangan, Etika, dan Kenapa Transparansi Tetap Nomor Satu

AI bukan tongkat sihir. Kalau datanya kotor dan budaya kepatuhan lemah, hasilnya tetap berantakan.

Beberapa tantangan nyata:

• Kualitas data buruk: transaksi tidak terstandardisasi, faktur manual, banyak data hilang
• Resistensi internal: tim merasa diawasi, takut peran mereka digantikan AI
• Bias model: kalau data historisnya buruk, AI bisa men-"normalkan" pola yang sebenarnya bermasalah

Karena itu, saya berpendapat: AI hanya efektif kalau dipasangkan dengan budaya transparansi dan etika yang kuat.

Beberapa prinsip yang sebaiknya dipegang:

• AI dipakai untuk mendukung profesional pajak, akuntan, dan compliance officer, bukan menggusur mereka
• Hasil analisis AI harus bisa dijelaskan: kenapa transaksi ini dianggap berisiko tinggi?
• Ada mekanisme review manusia dan appeal bagi nasabah atau klien yang terdampak

Pada akhirnya, baik DJP, perbankan, maupun kantor akuntan punya tujuan sama: menjaga integritas sistem keuangan. AI adalah alat kuat untuk itu, tapi tetap alat. Nilai utamanya datang dari bagaimana kita mendesain proses dan tata kelolanya.

---

Langkah Lanjut: Dari Kasus Pajak ke Strategi AI Anda

Kasus-kasus pajak 2024 – dari faktur bodong hingga TPPU – sudah cukup jadi alarm bahwa pendekatan manual tidak lagi cukup. Volume data transaksi di era digital banking dan keuangan digital terlalu besar untuk disisir tanpa bantuan AI.

Untuk Anda yang bergerak di:

• Kantor akuntan: mulai pikirkan bagaimana AI pembukuan otomatis, pelaporan pajak, dan audit berbasis data bisa jadi value proposition baru bagi klien.
• Bank dan fintech: evaluasi ulang engine fraud detection dan AML Anda – apakah sudah benar-benar memanfaatkan machine learning dan analitik perilaku, atau masih sekadar rule-based lama.

Transisi ini memang butuh investasi: waktu, biaya, dan perubahan mindset. Tapi kalau melihat tren penegakan hukum pajak dan tekanan regulator pada sektor keuangan, menunda justru lebih mahal.

Pada akhirnya, pertanyaan pentingnya sederhana: apakah sistem Anda hari ini cukup pintar untuk mendeteksi faktur bodong dan pola TPPU sebelum regulator yang menemukannya?

Jika jawabannya belum, ini saat yang tepat untuk mulai merancang strategi AI anti-fraud dan kepatuhan Anda sendiri.