Deteksi dan analisis Fraud Event Data menggunakan Alpha Algorithm dan Anomaly Detection

ABSTRAK

Persediaan merupakan aset strategis yang rentan terhadap praktik kecurangan, khususnya pada aktivitas pergudangan yang melibatkan banyak transaksi dan pelaku operasional. Kecurangan dalam pengelolaan persediaan sering kali bersifat terselubung dan sulit dideteksi menggunakan metode audit konvensional. Penelitian ini bertujuan untuk mendeteksi dan menganalisis potensi fraud pada data event log sistem informasi gudang CV Putera Bumi dengan mengintegrasikan teknik process mining dan anomaly detection. Metode Alpha Algorithm digunakan untuk merekonstruksi alur proses bisnis aktual dan mengidentifikasi penyimpangan terhadap Standar Operasional Prosedur (SOP), sedangkan Isolation Forest diterapkan sebagai metode unsupervised learning untuk mendeteksi aktivitas anomali tanpa memerlukan data berlabel. Penelitian ini menggunakan pendekatan kuantitatif dengan desain eksperimen berbasis data dan mengadopsi kerangka kerja CRISP-DM. Hasil penelitian menunjukkan bahwa integrasi kedua metode tersebut efektif dalam mengidentifikasi deviasi proses, rare events, serta transaksi dengan skor anomali tinggi yang berpotensi mengindikasikan fraud, seperti manipulasi stok dan transaksi di luar jam operasional. Sekitar 0,86% dari total transaksi terdeteksi sebagai anomali signifikan. Temuan ini membuktikan bahwa pendekatan berbasis event log mampu memberikan deteksi dini terhadap potensi kecurangan serta mendukung penguatan pengendalian internal secara adaptif dan berbasis data.

ABSTRACT

Inventory is a strategic asset vulnerable to fraudulent practices, particularly in warehousing activities involving numerous transactions and operational actors. Fraud in inventory management is often covert and difficult to detect using conventional audit methods. This study aims to detect and analyze potential fraud in event log data from CV Putera Bumi's warehouse information system by integrating process mining and anomaly detection techniques. The Alpha Algorithm method is used to reconstruct the actual business process flow and identify deviations from Standard Operating Procedures (SOPs), while Isolation Forest is applied as an unsupervised learning method to detect anomalous activity without requiring labeled data. This study uses a quantitative approach with a data-driven experimental design and adopts the CRISP-DM framework. The results show that the integration of the two methods is effective in identifying process deviations, rare events, and transactions with high anomaly scores that could potentially indicate fraud, such as stock manipulation and transactions outside of operating hours. Approximately 0.86% of the total transactions were detected as significant anomalies. These findings prove that an event log-based approach is capable of providing early detection of potential fraud and supporting the strengthening of internal controls in an adapti

مستخلص البحث

يعد المخزون أصلا استراتيجيا عرضة للممارسات الاحتيالية، خاصة في أنشطة التخزين التي تشمل العديد من المعاملات والجهات التشغيلية. غالبا ما يكون الاحتيال في إدارة المخزون سريا ويصعب اكتشافه باستخدام طرق التدقيق التقليدية. تهدف هذه الدراسة إلى اكتشاف وتحليل الاحتيال المحتمل في بيانات سجلات الأحداث من نظام معلومات المستودع الخاص ب CV Putera Bumi من خلال دمج تقنيات التنقيب في العمليات واكتشاف الشذوذ. تستخدم طريقة خوارزمية ألفا لإعادة بناء تدفق العمليات التجارية الفعلية وتحديد الانحرافات عن إجراءات التشغيل القياسية (SOPs)، بينما تستخدم غابة العزل كطريقة تعلم غير خاضع للإشراف لاكتشاف النشاط الشاذ دون الحاجة إلى بيانات معنة. تستخدم هذه الدراسة نهجا كميا مع تصميم تجريبي قائم على البيانات وتعتمد إطار عمل CRISP-DM. تظهر النتائج أن دمج الطريقتين فعال في تحديد الانحرافات في العمليات، والأحداث النادرة، والمعاملات ذات درجات الشذوذ العالية التي قد تشير إلى احتيال، مثل التلاعب بالمخزون والمعاملات خارج ساعات العمل. تم اكتشاف حوالي 0.86٪ من إجمالي المعاملات كشذوذات ذات دلالة. تثبت هذه النتائج أن النهج القائم على سجل الأحداث قادر على الكشف المبكر عن الاحتيال المحتمل ودعم تعزيز الضوابط الداخلية بطريقة تكيفية وقائمة على البيانات.