ABSTRAK

Ketidaksesuaian dalam sistem pembayaran institusi—seperti kelebihan,
kekurangan pembayaran, atau inkonsistensi pencatatan data—dapat menyebabkan
keterlambatan administratif dan inefisiensi operasional, serta berpotensi
memengaruhi keandalan dan responsivitas pengelolaan keuangan di lingkungan
pendidikan tinggi. Dinamika data kepegawaian yang kompleks, ditambah dengan
format pencatatan yang beragam dan pembaruan yang tidak serempak,
menimbulkan tantangan dalam mendeteksi anomali secara tepat waktu apabila
hanya mengandalkan proses manual. Dalam hal ini, algoritma Isolation Forest
menjadi metode pembelajaran tanpa pengawasan yang menjanjikan untuk
mengidentifikasi pola data menyimpang tanpa memerlukan label awal. Agar hasil
deteksi dapat mendukung perbaikan kelembagaan secara konkret, pendekatan ini
dilengkapi dengan kerangka kerja COSO Enterprise Risk Management (ERM),
yang menyediakan struktur evaluasi risiko menyeluruh berdasarkan lima
komponen tata kelola. Penelitian ini menerapkan algoritma Isolation Forest pada
data historis pembayaran SPTJM Online, khususnya tunjangan TPD dan TKGB
dosen di lingkungan LLDIKTI Wilayah IV, serta melakukan evaluasi risiko
berdasarkan kerangka COSO ERM. Algoritma berhasil mendeteksi 148 anomali
pada data gaji dan 144 anomali pada data pembayaran. Visualisasi menggunakan t
SNE menunjukkan pemisahan yang jelas antara data normal dan menyimpang. Uji
chi-square tidak menemukan korelasi signifikan antara anomali dan variabel waktu,
yang mengindikasikan bahwa penyimpangan bersifat sistemik dan bukan musiman.
Pemetaan risiko dengan COSO ERM mengidentifikasi area yang perlu
ditingkatkan, khususnya dalam integrasi data, komunikasi informasi, dan proses
identifikasi risiko. Temuan ini menunjukkan bahwa integrasi antara algoritma
machine learning dan evaluasi risiko terstruktur dapat memperkuat pengawasan
keuangan serta mendukung pengambilan keputusan kelembagaan yang lebih
adaptif dan berbasis data.