AI in day-by-day activities
Tantangan dan Ancaman
Overview:
Big Data Analytics – Data Science – Data Mining
AI Machine Learning
Deep Learning
Dan Ariely, 2013, Duke University
End Of Segment I
AI di PPATK
Kepegawaian
Kepatuhan
Pelaporan
Analisis
Transaksi
Pelaporan
Sentimen
Analisis
Keamanan
Informasi
Performa staff Prioritas Audit Skoring Chat Box Analisis berita Log analisis
layananbantuan
Profiling Pelaku
Sumber :
5Ws Model for Big Data Analysis and Sumber :
Visualization, IEEE 16th International Conference, 7 enablers , COBIT 5 - A Business Framework for the Governance and
University of Technology, Management of Enterprise IT
Sydney Australia, Tiajin University Tiajin China, 129-134
Jumlah data saat ini
Summary
❑ AI terbatas hanya sebuah konsep umum, implementasi dan metode yang digunakan serta
hal-hal teknis lainnya dibahas pada domain machine learning
❑ Selain computing power yang mumpuni, big data dengan kualitas data baik dan
metode/algoritma yang tepat adalah kunci keberhasilan machine learning
❑ Performa machine learning dapat ditingkatkan melalui perbaikan kualitas data, pemilihan
algoritma yang tepat, melakukan tuning dan menerapkan metode ensemble.
❑ AI memiliki manfaat dan dampak yang besar, namun tantangan implementasinya perlu
dipersiapkan dengan matang karena AI membutuhkan resource yang besar.
End Of Segment II
Contoh Implementasi Machine Learning
Tujuan:
Melakukan Pemodelan Machine Learning untuk memprediksi data transaksi keuangan merupakan transaksi wajar atau mencurigakan
Deskripsi Data
• Nama: Data Transaksi Keuangan
• Jumlah Baris Data: 10.660
• Jumlah Kolom Data: 32
• Sumber Data: Direktorat Pengawasan Kepatuhan
Tahapan Implementasi
Pemodelan
Machine
Learning
Logistic
Split Data Regression
Pemilihan
Eksplorasi dan Random Evaluasi
Data Perankingan Forest Akurasi
Variabel
Hasil Prediksi
Test (30%)
(Data Test)
Eksplorasi Data
Box Plot Variabel Data Transaksi Keuangan
Pemilihan dan Perankingan Variabel
Hasil Perankingan*
Variabel Ranking
MAX_TRANSAKSI_DEBET 1
Recursive Feature Elimination (RFE)
MAX_TRANSAKSI_KREDIT 2
AVG_TRANSAKSI_DEBET 3
SUM_TRANSAKSI_DEBET 4
SUM_TRANSAKSI_KREDIT 5
RFE pada dasarnya adalah proses rekursif
KENAIKAN_PORTOFOLIO 6 yang meranking fitur berdasarkan tingkat
AVG_TRANSAKSI_KREDIT 7
pentingnya terhadap proses prediksi. Pada
SUM_PORTOFOLIO_YYYY 8
MAX_SETOR_TUNAI 9 setiap iterasi, ranking pentingnya fitur diukur
COUNT_TRANSAKSI_DEBET 10 dan fitur yang kurang relevan dihilangkan.
SUM_PORTOFOLIO_XXXX 11
AVG_SETOR_TUNAI 12
SUM_SETOR_TUNAI 13
COUNT_TRANSAKSI_KREDIT 14
JUMLAH_REKENING 15
COUNT_SETOR_TUNAI 16
SUM_TARIK_TUNAI 17
MAX_TARIK_TUNAI 18
TEMPAT_LAHIR_TEMPAT_KE
19
DUDUKAN
PENGHASILAN 20
PEKERJAAN 21
COUNT_TARIK_TUNAI 22
AVG_TARIK_TUNAI 23
NAMA_ESELON 24
HUBUNGAN 25 *diurutkan dari nilai kepentingan tinggi ke rendah
JENIS_KELAMIN 26
Split Train – Test Data
Tabel Split Data Train - Test
Keterangan:
• True - Positif: Model memprediksi transaksi wajar dan itu benar.
• True - Negatif: Model memprediksi transaksi mencurigakan dan itu benar
• False - Positif: Model memprediksi transaksi wajar tetapi sebenarnya transaksi
mencurigakan
• False - Negatif: Model memprediksi transaksi mencurigakan tetapi sebenarnya
transaksi wajar
Evaluasi Model
BIG
Data
Issue
Problem
Opportunity
THANKS