5 Metrik Untuk Mendeteksi Klaim Tidak Valid Lewat Sistem Persetujuan Klaim Biaya

5 Metrik Untuk Mendeteksi Klaim Tidak Valid Lewat Sistem Persetujuan Klaim Biaya

Di banyak perusahaan, klaim biaya yang tampak “wajar” sering lolos karena pemeriksaan dilakukan terburu-buru atau hanya mengandalkan rasa percaya. Padahal pola klaim tidak valid biasanya meninggalkan jejak yang bisa dibaca dari data persetujuan tanpa harus memeriksa setiap struk satu per satu. Dengan lima metrik di bawah ini, tim finance, HR, dan audit internal bisa memprioritaskan review, memperkuat kontrol, dan menjaga kepatuhan pelaporan berbasis praktik di Indonesia.

1) Outlier nilai klaim dibanding kebijakan dan pola historis

Metrik paling cepat adalah mendeteksi nilai yang tidak biasa dibanding batas kebijakan dan kebiasaan historis. Bukan hanya melihat angka besar, tetapi nilai yang menyimpang dari konteks seperti level jabatan, lokasi, jenis biaya, dan tujuan perjalanan. Outlier yang konsisten muncul pada kategori tertentu sering menjadi sinyal adanya interpretasi kebijakan yang longgar atau klaim yang dipaksakan.

Praktiknya, buat dua lapis pemeriksaan. Lapis pertama adalah aturan kebijakan (misalnya plafon hotel Rp900.000/malam di kota tertentu). Lapis kedua adalah anomali statistik, misalnya 95th percentile biaya makan per hari untuk level staf; klaim yang melanggar lapis pertama seharusnya otomatis tertahan, sementara lapis kedua menjadi prioritas sampling audit.

Indikator yang dapat dipakai:

  • Rasio pelanggaran plafon: persentase item yang melebihi batas per kategori dan per unit kerja.
  • Deviasi dari median: selisih nilai item terhadap median historis kategori yang sama (per kota, per level).
  • Frekuensi pembulatan: proporsi nilai “bulat” (misalnya tepat Rp500.000) yang terlalu sering pada kategori tertentu.

Contoh sederhana: biaya transport “taksi” yang berulang kali tepat Rp250.000 untuk rute berbeda, sementara pengguna lain di kota yang sama cenderung bervariasi. Pola seperti ini tidak otomatis salah, tetapi cukup kuat untuk memicu pemeriksaan bukti dan penjelasan.

2) Kualitas bukti, duplikasi, dan pola pemecahan transaksi

Klaim tidak valid sering bergantung pada bukti yang lemah atau duplikat yang sulit terlihat saat pemeriksaan manual. Sistem yang rapi biasanya menyimpan metadata seperti tanggal transaksi, merchant, nomor struk/invoice, dan lampiran. Dari data tersebut, tiga metrik bisa sangat efektif untuk mendeteksi risiko.

Metrik 2: Skor kelengkapan bukti. Ukur persentase klaim dengan lampiran wajib yang lengkap sesuai kategori, misalnya struk plus rincian item untuk makan bersama, atau invoice dan bukti pembayaran untuk akomodasi. Turunkan skor jika lampiran buram, terpotong, atau tidak mencantumkan tanggal dan total karena sulit diverifikasi saat audit.

Metrik 3: Deteksi duplikasi. Buat pencocokan berbasis kombinasi (tanggal, total, merchant, nomor struk) dan juga fuzzy match untuk variasi penulisan merchant. Kunci utamanya adalah mengukur duplicate hit rate: berapa persen item yang memiliki kandidat duplikat dalam 30–90 hari, dan duplikasi bisa terjadi karena kesalahan input atau karena klaim yang sama diajukan ulang pada periode berbeda.

Metrik 4: Indikasi split claim (pemecahan transaksi). Ini terjadi saat satu transaksi dipecah menjadi beberapa klaim agar tidak melewati batas atau agar tidak memerlukan persetujuan level lebih tinggi. Ukur rasio klaim berurutan dengan merchant yang sama dan tanggal yang sama, dengan nilai mendekati plafon, misalnya dua klaim makan masing-masing Rp299.000 ketika batasnya Rp300.000.

Untuk memperkuat metrik ini, tetapkan aturan investigasi yang jelas agar prosesnya tidak berubah menjadi mencari kesalahan semata. Misalnya, duplikasi baru dianggap berisiko tinggi jika memenuhi dua dari tiga kondisi: merchant sama, tanggal sama, dan total sama atau selisih kurang dari 2%. Dengan cara ini, tim audit bisa fokus pada kasus yang paling informatif.

Jika organisasi Anda sedang merapikan alur persetujuan agar data bukti konsisten sejak awal, rujukan seperti workflow persetujuan yang lebih praktis untuk reimbursement bisa membantu menyelaraskan tahapan pengajuan, verifikasi, dan eskalasi risiko.

3) Metrik perilaku proses: kecepatan approval, override, dan konsentrasi risiko

Selain isi klaim, perilaku dalam proses persetujuan sering memberi sinyal paling kuat. Klaim tidak valid cenderung mencari jalan lewat jalur paling mudah: disetujui sangat cepat, oleh approver yang sama terus-menerus, atau sering mendapat pengecualian. Karena itu, ukur kesehatan proses, bukan hanya angka rupiah.

Metrik 5: Anomali approval dan override. Gabungkan beberapa indikator proses berikut menjadi satu papan pantau risiko:

  • Waktu persetujuan (approval turnaround time): klaim disetujui dalam hitungan menit untuk nilai besar atau kategori berisiko.
  • Override rate: seberapa sering approver menyetujui klaim yang melanggar kebijakan (misalnya melewati plafon atau tanpa lampiran wajib) dengan alasan “pengecualian”.
  • Konsentrasi persetujuan: proporsi klaim berisiko yang disetujui oleh 1–2 approver saja.
  • Rasio revisi setelah ditolak: klaim yang ditolak lalu diajukan ulang dengan perubahan minimal (indikasi “trial and error”).

Interpretasinya perlu konteks operasional. Turnaround time cepat tidak selalu buruk jika klaim nilainya kecil dan kategorinya rutin, tetapi menjadi sinyal risiko jika terjadi pada klaim perjalanan dinas bernilai besar dengan bukti minim. Begitu juga override: beberapa pengecualian sah, namun pola override yang terus meningkat pada unit tertentu mungkin menunjukkan kebijakan kurang dipahami atau sengaja diakali.

Agar metrik proses berguna saat audit, tentukan ambang yang mudah dijelaskan. Contoh: klaim berisiko tinggi adalah yang memenuhi minimal dua kriteria, seperti melewati plafon dan lampiran tidak lengkap, atau duplikat potensial dan disetujui di bawah 30 menit. Dengan definisi yang stabil, laporan bulanan akan konsisten dan diskusi lintas fungsi lebih objektif.

Pada akhirnya, lima metrik ini membantu menggeser kontrol dari pemeriksaan manual yang melelahkan menjadi deteksi dini berbasis data, sehingga review lebih tepat sasaran dan temuan lebih kuat saat pelaporan. Mulailah dari satu atau dua metrik yang datanya sudah tersedia, lalu tingkatkan kualitas input dan aturan eskalasinya seiring waktu.

Pilih dua metrik pertama untuk diterapkan minggu ini, lalu evaluasi hasilnya setelah satu siklus penutupan biaya.

Pelajari lebih lanjut di Reimburse.ID