Introduction

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

dan lain lain …

 AI di PPATK
Kepatuhan Analisis
Kepegawaian Pelaporan Sentimen Analisis Keamanan Data
Pelaporan Transaksi

Performa staff Prioritas Audit Skoring Chat Box Analisis berita Log analisis
layananbantuan

Seleksi pegawai Profiling pelapor Analisis TPA Evaluasi Text analisis

Laporan

Social Media analisis

Text matching

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 berpotensi meningkatkan produktivitas, efisiensi dan akurasi hampir di semua bidang

sehingga mampu mengurangi biaya operasi dan juga sumber daya manusia.

❑ 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

Model Hasil Prediksi

Train (70 %)
K-NN Prediksi (Data Train)

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

Jumlah Transaksi Jumlah Transaksi

Wajar (Kode 1) Mencurigakan (Kode 0)
Train 3573 3889
Test 1528 1670
 Pembentukan Model
Logistic Regression K-NN Random Forest

Logistic Regression K-NN menggunakan pendekatan

Random Forest membuat sejumlah
menggunakan pendekatan sejumlah K data terdekat
kemungkinan pohon keputusan
perhitungan statistika (tetangganya) yang
(decision tree) untuk kemudian
menggunakan fungsi memiliki similarity atau
divoting untuk menentukan
logistik untuk memodelkan kemiripan sebagai acuan untuk
klasifikasi terbaik.
klasifikasi variable. menentukan klasifikasi
Hasil Prediksi

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

Rumus Perhitungan Akurasi =

Tabel Perbandingan Hasil Akuras Model

Model Nilai Akurasi

Logistic Regression 0.616635397123202
K-NN 0.9055659787367104
Random Forest 0.9821763602251408
DEMO MODEL
24

BIG
Data
Issue
Problem
Opportunity

THANKS