DISRUPSI INSľIľUSI

DIREfiľORAľ JENDERAL BEA DAN

CUfiAI MELALUI PENERAPAN ICCľ
( Big Data, AI, IOľ

etc.) 06112021
ľugas dan Ïungsi DJBC
ICQ (Immigration, Customs, Quarantine)
LUAR NEGERI
INDONESIA
Orangnya diperiksa Imigrasi
(paspor)
Barangnya diperiksa Bea Cukai
(customs declaration)
Jika membawa barang hidup
(tumbuhan, hewan) diperiksa
Balai Karantina
1. Industíial Assistance : Meningkatkan
peítumbuhan industíi dalam negeíi melalui
pembeíian fasilitas pabean cukai dan penegahan
fíaud
2. ľíade Ïacilitatoí: Mewujudkan iklim usaha dan
investasi yang kondusif dengan mempeílancaí
logistik impoí dan ekspoí melalui penyedeíhanaan
píoseduí
3. Community Píotectoí: Membatasi, mengawasi,
dan/atau mengendalikan píoduksi, peíedaían dan
konsumsi baíang teítentu yang mempunyai sifat
dan kaíakteíistik dapat membahayakan
kesehatan, lingkungan, keteítiban, dan keamanan
masyaíakat
4. Revenue Collectoí : Mengoptimalkan peneíimaan
negaía dalam bentuk bea masuk, bea keluaí, dan
cukai guna menunjang pembangunan nasional
KEMENTERIAN KEUANGAN REPUBLIK INDONESIA
ľugas dan Ïungsi DJBC

KEMENTERIAN KEUANGAN REPUBLIK INDON ESIA

Direktorat Informasi Kepabeanan dan Cukai
Direktorat Jenderal Bea dan Cukai
TRANSFORMASI SISTEM IT DJBC
Menjawab Revolusi Industri
Industry 3.0
1990 1995 1997 2003 2007 2013
CFRS PIB DISKET PIB EDII PDE Tahap PORTAL CEISA
II INSW

COBOL Data Input  Disket diganti EDI Centralized

Penerimaan Dok. diganti modul  Beberapa Integrated
H/C importir + disket perubahan bisnis  Perubah Integrasi dengan
Inter-Connected
Data Input di BC proses internal an proses 18 instansi
Automated
Di 5 Kantor BC BC bisnis Otomasi proses
 Rekonsili perijinan (Lartas)
asi
pembayaran
dengan bank

 National Forecast Strategy 

2018 - 2024
 National Logistic Enabler
Direktorat Info
rmaTsi rKaepdabee
B a la n c e
a na n da n C uk ai
A nalysis Industry 4.0
Direktorat Jenderal Bea dan Cukai
 POSISI TIK DJBC
POSISI DJBC New Business Model
/ Data Driven Policy

Self-Service
Analytics

BI & Data
Warehousing
VALUE

Operation

Cost Modernization Insight-Driven Transformation

Reduction

1991 - 2009 2009 - 2019 28 TAHUN

2019 -2021 2022-2024

3 TAHUN
 CEISA FACTS
350K+ 107
Docs/day
KPU/KPPBC

40K+
Active Users 1,4M+
Automatic Jobs/Day

100+ Probis 5M+

4K+ Menu
API Hits/day
8
Data Collaboíation DJBC

KEMENTERIAN KEUANGAN REPUBLIK INDONESIA

 TRANSFORMASI ARSITEKTUR
APLIKASI

CURRENT ON GOING – TO BE
SINGLE CORE SYSTEM integrasi, personalisasi, serta menggunakan big
Penyatuan beberapa sistem utama CEISA data platform untuk memenuhi kebutuhan
yang selama ini terpisah, simplifikasi, analisis
 SMART CUSTOMS AND EXCISE dengan pemanfaatan teknologi ( Case
Mengoptimalkan(Indonesia
kegiatan Customs Data Set, Management, CEISA Search, Smart Devies,
pengawasan kepabeanan Single Submission, WCO Data
dan cukai Profiling, Artificial Intelligent
Model, Data Driven Based) Technology)

SUPPORT
ANALYTICS
Memanfaatkan data untuk
Layer Support mengotomasi semua proses
mendukung pengambilan
bisnis DJBC diluar proses bisnis utama
keputusan organisasi

COLLABORATION
PLATFORM
mudahan integrasi dan kolaborasi lintas sistem aplikasi
PORTAL PENGGUNA JASA MOBILE APPLICATION
Kemudahan pengguna jasa untuk Memperluas aplikasi berbasis mobile
berinteraksi dengan layanan kepabeanan dan
cukai
 INDONESIA CUSTOMS DATASET

Dokumen DJBC DATASET

Pabean
CEISA Kementerian / Lembaga
BC 2.0
BC 3.0 Dok. Impor & Impor :
Ekspor
BC 1.6
BC 2.3
BC 2.5
69
elemen data
BC 2.6.1
BC 2.6.2 Single Ekspor :
BC 2.8
BC 3.3
BC 4.0
Dok. TPB Core 66 Stakeholders
BC 4.1
System elemen data
P3BET

PPFTZ 01
PPFTZ 02 Dok FTZ
PPFTZ 03

Other Countries
DATA ANALYTICS
DAN SELF SERVICE
BI

Dashboard
Nasional
STATUS: Merupakan gabungan
insight data analytical yang
dihasilkan dari penggabungan,
penyeragaman insight yang sama
dari masing-masing unit vertikal
yang dapat digunakan pada level
nasional
DATA ANALYTICS &
ARTIFICIAL INTELLIGENCE
STATUS: Proses Circumvention Psassenger Risk
penyusunan timeline
distribusi lisensi ke kantor Graph Analytics STATUS: Telah Management
pelayanan, asistensi diimplementasikan 2019
pembuatan model data dengan update wacana
dan sosialisasi pemasukan LHA sebagai
variabel input
STATUS: Masuk dalam IS STATUS: Telah diimplementasikan
Eselon 1 serta penyusunan untuk mendeteksi penumpang
charter beresiko tinggi guna mendapat
treatment (body checking) di
Self Services Risk Engine lapangan, dengan berdasarkan
data- data yang dimiliki DJBC
BI Penjaluran
 Use Case 1: Customs Risk Engine
16
Use Case 1: Customs Risk Engine

Lataí Belakang :
 Risk management yang sudah ada saat ini tidak
dapat beíadaptasi teíhadap peíubahan dunia
kepabeanan yang sangat dinamis
 Rekomendasi Inspektoíat Jendeíal Kemenkeu
teíhadap peíbaikan manajemen íisiko
 Nilai Hit Rate yang tidak memuaskan
 ľaíget peneíimaan yang teíus meningkat setiap
tahunnya
 Penetapan pemeíiksaan fisik haíus mengikuti
analisis beban keíja di masing-masing kantoí
pelayanan

KEMENTERIAN KEUANGAN REPUBLIK INDONESIA

17
 Use Case 1: Customs Risk Engine - Modelling

Logistic Regíession
Random Foíest
Decision ľíee
01 Algoíitme Naïve Bayes
Gíadient Boosted ľíees
AdaBoost

02 Sampling Holdout (70:30)

03 Imbalanced Data SMOľE

18
 Use Case 1: Customs Risk Engine - Deployment

Proses Model Training dari

Customs Risk Engine dilakukan
pada Jupyter NoteBook
menggunakan scikit learn.
Mesin intervensi mlflow sebagai
model deployment.
Melalui message broker Kafka,
respon penjaluran ini akan
ditampilkan di CEISA

19
 Use Case 1: Customs Risk Engine – Business Impact

Dengan penerapan data

mining pada risk engine,
terjadi peningkatan hit rate
dengan nilai maksimal
mencapai 60,38% untuk dua
kantor yang telah
mengimplementasikan
Customs Risk Engine pada
tanggal 1 November 2019.

KEMENTERIAN KEUANGAN REPUBLIK INDONESIA

20
 Use Case 1: Customs Risk Engine – Business Impact (2)

 Peningkatan pungutan negaía

sebesaí 114.72% daíi Rp. 155,97
Miliaí pada semesteí peítama
menjadi Rp. 334,91 Miliaí pada
semesteí kedua

 ľidak teíjadi lonjakan dwelling

time
21
 Use Case 2: Revenue Ïoíecasting

22
 ľefinifi Analisis
Exponential Smoothing adalah metode
forecasting yang dapat diperluas untuk
mendukung data dengan tren atau
komponen musiman yang sistematis.
Teknik ini mengidentifikasi pola reguler
dari nilai data yang ada untuk
kemudian memberikan perkiraan data
selanjutnya.
Holt-winters ES digunakan untuk
memperkirakan data deret waktu yang
menunjukkan tren dan variasi
musiman.
23
ARIMA adalah model yang digunakan
untuk lebih memahami satu dependen
variabel dari waktu ke waktu, dan untuk
memprediksi titik data variabel di masa
yang akan datang. Model ini bekerja
dengan asumsi bahwa data yang ada
bersifat stasioner.
Pada kasus dimana terdapat pola
musiman dalam model, maka model ini
disebut sebagai model SARIMA.
Source: (Date, 2020)
 Use Case 2: Peíbandingan Model

MODEL n MAPE
SARIMA 68 15,64%
Holt-Winters ES 68 9,72%
MAPE Interpretasi

< 10 Highly Accurate Forecasting

10 - 20 Good Forecasting

20 - 50 Reasonable Forecasting

> 50 Inaccurate Forecasting

Dari perbandingan model SARIMA serta

Holt-Winters Exponential Smoothing,
didapatkan bahwa model kedua memiliki
nilai MAPE lebih rendah, sehingga
disepakati bahwa model tersebut
digunakan dalam dashboard forecasting
penerimaan.
KEMENTERIAN KEUANGAN REPUBLIK INDONESIA

24
 Use Case 2: Implementasi

 Data yang menjadi resource pada

revenue forecasting adalah data
penerimaan dari Billing sistem yang
terupdate secara real-time
 Hasil dari Revenue Forecasting
dipasang dalam dashboard yang
disusun dalam platform Tableau.
 Dashboard tersebut dipasang pada
unit yang memiliki tugas dan fungsi
pemantauan penerimaan

KEMENTERIAN KEUANGAN REPUBLIK INDONESIA

25
Dashboard Nasional
 Menjadi sarana bagi para pimpinan DJBC untuk
memonitor dan menganalisa kinerja DJBC secara real-time
dan tingkat kebaruan tertentu dari sumber-sumber data
yang sudah teruji kredibilitasnya

 Menjadi decision support system bagi pimpinan untuk

pengambilan kebijakan dan keputusan secara cepat dan
tepat melalui identifikasi tren dan berbagai indikator
lainnya

 Tergabung dalam sistem CEISA 4.0 (ceisa40.customs.go.id)

 Mudah diakses oleh seluruh pegawai DJBC menggunakan

akun e-mail Kemenkeu yang sudah terdaftar pada sistem
CEISA 4.0

 Dapat digunakan sebagai analisa awal tren suatu transaksi

 Use Case 2: Output

Dampak penggunaan Predictive Analysis

pada penerimaan DJBC antara lain:
1. Setiap ada perubahan indikator
perekonomian yang berpotensi
berdampak pada penerimaan dapat
diidentifikasi lebih awal.
2. DJBC dapat memberikan respon lebih
dini sehingga potensi revenue loss lebih
besar untuk dicegah
3. Penerimaan DJBC selama empat tahun
terakhir selalu tercapai
KEMENTERIAN KEUANGAN REPUBLIK INDONESIA

27
 Use Case 3: Passengeí Risk Management

Passenger Risk Management (PNR)

adalah aplikasi pengawasan DJBC yang
digunakan untuk monitoring
penumpang pesawat yang datang ke
wilayah Indonesia, didalamnya
terdapat profiling apakah penumpang
tersebut masuk kategori high risk
sehingga diperlukan body checking
atau tidak.

KEMENTERIAN KEUANGAN REPUBLIK INDONESIA

28
 Use Case 3: Passengeí Risk Management

 Menggunakan Network Diagram

untuk mendeteksi keterkaitan
antara penumpang
 Data yang digunakan berasal dari
manifes penumpang dari maskapai
penerbangan
 Untuk keperluan analisa,
dihubungkan dengan data lain,
misalkan data passpor, data NIK,
serta data-data lain
 Menjadi ujung tombak enforcement
tools DJBC

KEMENTERIAN KEUANGAN REPUBLIK INDONESIA

29
 Use Case 3: Passengeí Risk Management – Analisa Lanjutan pada Big Data DJBC

Analisa lebih lanjut dilakukan

dengan beíbagai metode yang
dapat membantu píofiling
penumpang dengan
beídasaíkan sumbeí data DJBC
yang beíasal daíi aplikasi
inteínal dan eksteínal
 Use Case 3: Passengeí Risk Management - Output

Diimplementasikan pada :
34 Kantor Mandatory
16 Kantor Non Mandatory
Total Transaksi per Hari
3.105 Target Aktif
430 Target Aktif Teridentifikasi
222 Target Aktif dilakukan Penegahan
20 Target Terduga Teroris Teridentifikasi

KEMENTERIAN KEUANGAN REPUBLIK INDONESIA

31
DISRUPSI TEKNOLOGI 4.0 :
ICCT CEISA SEBAGAI BACKBONE
DAN CIKAL BAKAL
NATIONAL LOGISTICS ECOSYSTEM
DISRUPTION

• Sebenarnya Bea Cukai tidak perlu berubah sekarang, tapi pelan-pelan dunialah yang akan berubah, dan sampai pada saatnya nanti
kita akan sulit mengejar ketertinggalan
• Dalam hitungan tahun, bukan hal yang tidak mungkin kalau kedepan tidak perlu lagi pengguna jasa submit PIB/ PEB dan Bea
Cukai hanya cukup generate billing
• Konsep yang ada di NLE ini adalah sebagai anak tangga menghadapi perubahan tersebut, secara konsep mirip dengan blockchain
(ekosistem kewenangan dikontrol secara kolektif) walaupun secara infrastruktur belum sama sekali ke arah sana, namun behaviour
customer bisa kita arahkan mulai dari sekarang
EVOLUSI OMNICHANNEL
Single-Channel Multi-Channel
Omnichannel adalah model interaksi antara
user/customer dengan penyedia layanan melalui
banyak saluran, merupakan kebalikan dari single
channel yang hanya berinteraksi hanya lewat 1
saluran. Konsep omnichannel sudah diterapkan di
dunia B2B sebagai contoh untuk memesan kamar
hotel, memesan tiket pesawat dapat dilakukan
dimana saja
Cíoss - Channel
Mendorong peningkatan hubungan
B2B yg saling menguntungkan ,
sebagai contoh hotel A yang tidak
memiliki kompetensi di teknologi
digital dapat berkolaborasi dengan
platform X yang core business nya di
dunia digital
Omni-Channel
Other
Konsep omnichannel paling sesuai
diterapkan dalam pendekatan ekosistem
seperti NLE, dikarenakan seharusnya di
dalam ekosistem kewenangan dikontrol
secara kolektif (seperti konsep blockchain)
tidak ada keharusan menyampaikan pada
kanal tunggal, diberikan pilihan kepada
anggota ekosistem untuk memilih
CEISA SEBAGAI BACKBONE
DAN CIKAL BAKAL NLE

Bank
Truck Warehouse Vessel Container

Instruksi Government Supplier Terminal Buyer Broker

Presiden Nomor
5/2020

Tentang:
Penataan NATIONAL LOGISTIC ECOSYSTEM
Ekosistem
Logistik Nasional
 Directorate of Customs and Excise
Information Directorate General of Customs
and Excise
 Dampak Bagi Institusi
Implementasi Data Science, AI, IoT didalam pelaksanaan
tugas dan fungsi DJBC berdasarkan use case di atas :
 Meningkatkan efisiensi pengawasan, pada use case
customs risk engine mampu meningkatkan hit rate dari di
bawah 50% menjadi >60%. Sedangkan pada use case
PNR menjadi enforecement tool dengan jumlah tangkapan
terbanyak di atas K-9 (anjing pelacak).
 Meningkatkan penerimaan, dikarenakan semakin tepat prediksi
dari model (use case customs risk engine dan revenue
forecasting)
 Di sisi lain, penerapan teknologi digital tidak mengganggu
waktu pelayanan (terlihat dari dwelling time pada customs risk
engine), bahkan meningkatkan efisiensi dan efektifitas
mengembangkan ekosistem logistic nasional yang berdaya
saing. KEMENTERIAN KEUANGAN REPUBLIK INDONESIA

36
 ACTIVITIES NLE

07 Juli 2020 – Government Digital Services -
GovInsider
08 Des 2020 –FGD Evaluasi Implementasi
NLE – Kemenko MARVES
22 Des 2020 – IT Works. TOP DIGITAL
18 Maret 2021 – Peresmian Batam Logistic Awards 2020
Ecosystem part of National Logistic Ecosystem

18 Nov 2020 – Narasumber pada Indonesia 17 Desember 2020 – FGD Tema Membangun
Summit 2020 – Omni Sci Kolaborasi yang Kuat dalam Ekonomi Logistik
Nasional – Kemenko Perekonomian 07 April 2021 – Courtesy Call Bersama
Kemenperin

37
 ICCT DI DJBC SEBAGAI
SUPPORT CORE (ENABLER
DAN DRIVER) INSTITUSI
DAN LOGISTIK NASIONAL
VIDEO CEISA 4.0