Tugas Personal ke-1

Joddy Lintar Balle 2602289735

Penerapan Artificial Intelligence Dan

Machine Learning Sebagai Layanan
Support Untuk BRI

Information System Concept

 BAB 1

Latar Belakang

1.1 Latar Belakang

Bank terus berevolusi dalam menyediakan pengalaman perbankan bagi

nasabahnya. Tahun 1960-an, kita mulai mengenal adanya Anjungan Tunai Mandiri
atau ATM yang kemudian didukung penggunaan kartu sebagai alat transaksi di
1970-an. Memasuki tahun 2000-an, kebutuhan mendatangi gerai ATM mulai
berkurang karena hadirnya online dan SMS banking. Di era 2010, mobile banking
menjamur dan memperkaya layanan perbankan dalam aplikasi.Transformasi digital
merambah ke semua industri, termasuk industri perbankan. Preferensi interaksi
bergeser dengan cepat ke arah digital. Kehadiran COVID-19 pun semakin memicu
digitalisasi perbankan. Hingga akhirnya, pengalaman online nasabah menjadi value
proposition yang ditawarkan oleh perbankan, termasuk BRI.

Di Indonesia, pasar perbankan digital semakin menampakkan potensinya,

terutama dengan meledaknya generasi digital native. Riset dari Accenture
melaporkan bahwa saat ini, Indonesia memiliki 202,6 juta pengguna internet
dengan penetrasi smartphone mencapai 98,2%, membuktikan bahwa adopsi
layanan digital terus meningkat secara signifikan dan menjadi peluang bagi tumbuh
pesatnya perbankan digital.

layanan perbankan digital atau “Digital Banking” merupakan

layanan/aktivitas perbankan melalui kantor bank yang dituju dengan memanfaatkan
fasilitas elektronik/digital milik bank atau melalui perangkat digital yang dijalankan
secara mandiri oleh nasabah yang kemungkinan calon nasabah dan/atau nasabah
untuk memperoleh penjelasan, berkomunikasi, pendaftaran untuk membuka
rekening, transaksi perbankan dan menutup rekening, termasuk mendapatkan
informasi yang lainnya dan transaksi di luar produk perbankan, contohnya nasihat

Information System Concept

keuangan (financial advisory), investasi, transaksi e-dagang (e-commerce), dan
kepentingan lainnya dari nasabah bank.(Tanic & Atahau, 2021)

Dari sisi nasabah, kini mereka lebih menyadari betapa pentingnya

pengelolaan keuangan hingga mengharapkan lebih banyak produk dan layanan
digital dengan pendekatan yang dipersonalisasi. Maka, kebutuhan akan perbankan
digital pun menjadi semakin relevan.

Perbankan digital memanfaatkan berbagai inovasi teknologi di era Revolusi

Industri 4.0, seperti Internet of Things (IoT), Cloud Computing, Artificial
Intelligence (AI), hingga Machine Learning.

Hal itu juga yang tadinya jadi fokus transformasi digital BRI, yakni Mobile
First–mengembangkan bisnis, layanan, dan mengutamakan customer engagement
melalui mobile experience. Melalui AI BRI mereimagine atau memperbarui
customer engagement dengan cara-cara yang sama sekali baru, yakni dengan
menghadirkan produk, layanan perbankan dan proses bisnis yang intelijen, beyond
banking, terpersonalisasi sesuai kebutuhan masing-masing nasabah, dan tersedia
omnichannel.Kecerdasan Buatan atau Artificial Intelligence (AI) adalah teknik
yang digunakan untuk meniru kecerdasan yang dimiliki oleh makhluk hidup
maupun benda mati untuk menyelesaikan sebuah persoalan.(Bootupacademyai,
2019). Machine Learning adalah cabang dari kecerdasan buatan, merupakan
disiplin ilmu yang mencakup perancangan dan pengembangan algoritma yang
memungkinkan komputer untuk mengembangkan perilaku yang didasarkan kepada
data empiris, seperti dari sensor data pada basis data.(Purnamasari dkk., 2013).

Konsep ini membantu BRI dalam perbaikan bisnis proses, inovasi model
bisnis dan penatakelolaan jaringan kerja yang memadukan digitalisasi, jaringan,
serta layanan financial advisor. Dengan lebih dari 8.700 kantor cabang, 22.000 e-
channel, 500.000 agen BRILink, dan 37.000 mantri di seluruh Indonesia, BRI telah
terbukti memiliki physical presence yang kuat dibanding kompetitor.

Information System Concept

 Maka, kombinasinya dengan transformasi digital akan meningkatkan digital
capabilities BRI. Model bisnis hybrid bank secara praktis juga dapat menangkap
potensi likuiditas, peluang bisnis, hingga penetrasi ke segmen bisnis yang belum
tersentuh.

Information System Concept

 BAB 2

Tinjauan Pustaka

Elemen kunci dari lapisan keterlibatan AI

Bagi bank, keberhasilan mengintegrasikan elemen personalisasi inti di
berbagai titik kontak dengan pelanggan akan sangat penting untuk memberikan
pengalaman yang unggul dan hasil yang lebih baik. Lapisan keterlibatan yang ditata
ulang harus memberi bank AI pemahaman yang lebih dalam dan lebih akurat
tentang konteks, perilaku, kebutuhan, dan preferensi setiap pelanggan. Pemahaman
ini, pada gilirannya, memungkinkan bank membuat penawaran yang cerdas dan
personal.

Gambar 1 Dengan pendekatan AI-first untuk keterlibatan pelanggan, bank memiliki peluang untuk
menuai keuntungan di area penting.(Chung dkk., 2020)

Menganalisis data pelanggan secara real time dan menyematkan hasil analisis
dalam perjalanan pelanggan untuk eksekusi cepat permintaan transaksi pelanggan
dan permintaan layanan, yang memungkinkan pemenuhan instan. Kedua tujuan
ini harus memandu desain lapisan keterlibatan, yang terdiri dari tiga pilar:

Information System Concept

Proposisi cerdas, penyematan yang mulus dalam ekosistem mitra, serta layanan
dan pengalaman cerdas.

Tantangan dan Manfaat AI untuk Industri Perbankan

Laju adopsi teknologi di berbagai sektor semakin cepat, terutama setelah
pandemi. Kini, nasabah punya ekspektasi yang semakin tinggi terhadap
pengalaman digital banking, yakni konsistensi, kenyamanan, dan tingkat
personalisasi yang tinggi. Mulai dari layanan di cabang, mobile banking, hingga
transaksi di berbagai aplikasi harus konsisten dalam kecepatan dan kestabilan.

Selain itu, pemain ekosistem digital seperti fintech dan perusahaan

teknologi juga menawarkan layanan keuangan yang terintegrasi, semua layanan
dalam satu aplikasi atau superapp, serta mengurangi pihak ketiga dalam penyediaan
layanan perbankan. Untuk itu, penting bagi bank besar seperti BRI untuk mulai
mengadopsi AI untuk mendukung bisnis dan memberikan layanan yang lebih baik.
Dengan pendekatan AI-First, bank besar konvensional seperti BRI dapat
kesempatan untuk:

1) Menambah akses, scale up, dan revenue AI dapat membantu bank

maupun bisnis untuk mendeteksi segmen nasabah atau pasar yang
belum pernah dieksplor sebelumnya. Selain itu, adopsi AI juga
mengurangi CAC (customer acquisistion cost) dengan
mempermudah cross selling, mengefisiensi proses bisnis melalui
otomasi, dan mengurangi potensi risiko.
2) Memberikan layanan yang hyper-personalised Dengan adanya data
analytics, machine learning, dan artificial intelligence, bank akan
diperkuat dengan analisis terkait customer behavior, customer
profile, hingga memiliki recommender system untuk menentukan
secara cepat produk dan layanan yang paling cocok untuk suatu
nasabah.

Information System Concept

 3) Menjaga loyalitas nasabah Bukan hanya memperluas bisnis ke
berbagai segmen baru dan memperkaya inovasi baru, AI juga dapat
membantu bank menjaga hubungan dengan nasabah existing, serta
memperkuat penggunaan dan reaktivasi produk existing.

Tantangan dan Manfaat AI untuk Industri Perbankan

BRI saat ini merupakan bank terbesar dengan lebih dari 170 juta nasabah
terutama dari segmen mikro, dan paling tersebar di seluruh Indonesia dengan lebih
dari 8.700 kantor cabang, 22.000 e-channel, 500.000 agen BRILink, dan 37.000
mantri di seluruh Indonesia. Pengembangkan AI sebagai pusat otak dengan
kekuatan AI dan Machine Learning. AI bisa menjadi central hub dari solusi AI
untuk berbagai kebutuhan bisnis dan operasional BRI di berbagai lini, mulai dari
front office, middle office, hingga back office. Utamanya, Dibuatnya AI bertujuan
untuk meningkatkan profitabilitas, penurunan risiko, dan efisiensi biaya. Terdapat
empat kapasitas utama pengembangan AI di BRI:

1) BRI fokus membangun koneksi dan interaksi mendalam dengan

nasabah, untuk menciptakan hubungan jangka panjang nasabah
dengan produk dan layanan BRI. Salah satu mediumnya adalah
melalui hyperpersonalization berupa personalisasi penawaran
produk seperti recommender system, lead management system
untuk akuisisi nasabah baru, next-best offer, hingga customer
service Chatbot Sabrina yang melayani nasabah untuk informasi
produk melalui chat dengan memanfaatkan Natural Language
Processing.
2) Fungsi ini memanfaatkan machine learning untuk membuat model
yang dapat memprediksi skor kelayakan calon debitur berdasarkan
data historis finansialnya, untuk menjaga dari risiko gagal bayar, dan
lain sebagainya juga dianalisis berdasarkan sisi pengajuan kredit,
behavioral scoring, hingga prediksi churn atau collection
scoring.Salah satu pemanfaatannya diimplementasikan pada
aplikasi Ceria, produk digital lending dengan konsep buy now pay

Information System Concept

 later. Pengajuan pinjaman di Ceria kini bisa dicapai kurang dari 10
menit dengan rasio NPL terjaga rendah.
3) Fungsi ini berfokus pada prediksi, deteksi, hingga pencegahan fraud,
salah satunya dengan mendeteksi anomali pada transaksi, suspicious
login, dan memberikan Early Warning System. Salah satu
implementasinya adalah untuk pencegahan ATM Skimming BRI.
4) Fungsi ini berfokus pada penggunaan AI untuk meningkatkan
otomasi berbagai aktivitas back office, untuk efisiensi kerja.
Misalnya, penggunaan robotic process automation (RPA) untuk
pengganti entri data manual, AIOps untuk penyederhanaan
manajemen operasional IT, hingga model prediktif untuk mengelola
keluhan nasabah.

Menggunakan Ensemble Decision Tree

Decision Tree keputusan adalah metode penambangan data yang umum
digunakan untuk membangun sistem klasifikasi berdasarkan beberapa kovariat atau
untuk mengembangkan algoritma prediksi untuk variabel target. Metode ini
mengklasifikasikan suatu populasi ke dalam segmen-segmen mirip cabang yang
membentuk pohon terbalik dengan simpul akar, simpul dalam, dan simpul daun.
Algoritme ini non-parametrik dan dapat secara efisien menangani kumpulan data
yang besar dan rumit tanpa menerapkan struktur parametrik yang rumit. Ketika
ukuran sampel cukup besar, data studi dapat dibagi menjadi dataset pelatihan dan
validasi. Menggunakan dataset pelatihan untuk membangun Decision Tree
keputusan dan dataset validasi untuk memutuskan ukuran Decision Tree yang
sesuai yang diperlukan untuk mencapai model akhir yang optimal.(Song & Lu,
2015).

Analogi cara kerja sebuah Decision Tree sama seperti ketika kita ingin
memutuskan melakukan sesuatu. Biasanya, saat memutuskan sesuatu kita telah
melalui banyak pertimbangan keputusan-keputusan kecil sebelum akhirnya
mencapai keputusan akhir itu sendiri.

Information System Concept

 Gambar 2 Contoh Alur Ensemble Decision Tree (Quinlan, 1986; Song & Lu, 2015)

Sesuai namanya, Ensemble Decision Tree merupakan gabungan beberapa

decision tree yang akan menghasilkan kesimpulan yang lebih akurat dari semua
data yang ada. Semakin banyak parameter yang bisa terukur, semakin akurat pula
hasil yang akan kita dapatkan. Secara teknis. Sedangkan boosting adalah proses
sekuensial pembuatan decision tree dengan cara mengoreksi kesalahan prediksi
atau kesimpulan pada decision tree sebelumnya hingga tercipta decision tree baru
yang lebih akurat.

Menggunakan teknik boosting terbaru yaitu Extreme Gradient Boosting

xgBoost dalam metode ensemble decision tree (Zhong dkk., 2020). Perbedaannya,
proses Overfitting atau terlalu fokus pada set data tertentu, hingga tidak bisa
memprediksi dengan tepat jika diberikan set data lain yang serupa. Sehingga pada
akhirnya, semua proses Risk Management Framework di atas dapat terdigitalisasi
dengan baik dan calon nasabah dapat terseleksi secara optimal.

Information System Concept

 Daftar Pustaka

Bootupacademyai. (2019). Artificial Intelligence Adalah, Contoh, Manfaat, dan

Cara Kerja. 2019.

Chung, V., Gomes, M., Rane, S., Singh, S., & Thomas, R. (2020). Global Banking
& Securities.

Purnamasari, D., Henharta, J., Sasmita, Y. P., Ihsani, F., & Wicaksana, I. W. S.
(2013). Machine Learning “Get Easy Using WEKA.” Dapur Buku.

Quinlan, J. R. (1986). Induction of Decision Trees. Machine Learning, 1(1).

https://doi.org/10.1023/A:1022643204877

Song, Y. Y., & Lu, Y. (2015). Decision tree methods: applications for
classification and prediction. Shanghai Archives of Psychiatry, 27(2), 130–
135. https://doi.org/10.11919/j.issn.1002-0829.215044

Tanic, R. H., & Atahau, A. D. R. (2021). DIGITAL BANKING DAN RISIKO

OPERASIONAL (STUDI KASUS PADA NASABAH BANK CENTRAL
ASIA DAN BANK RAKYAT INDONESIA). IDEI: Jurnal Ekonomi &
Bisnis, 2(1). https://doi.org/10.38076/ideijeb.v2i1.55

Zhong, R., Johnson, R., & Chen, Z. (2020). Generating pseudo density log from
drilling and logging-while-drilling data using extreme gradient boosting
(XGBoost). International Journal of Coal Geology, 220.
https://doi.org/10.1016/j.coal.2020.103416

BRI TECH - Mengenal Ensemble Decision Tree, “Akar” Dari Sistem BRIBrain -
BRI TECH

Information System Concept

Information System Concept