Merupakan pilot project hasil action learning

dari program pembelajaran terkait

data analytics yang diselenggarakan oleh
Pusdiklat Keuangan Umum.

Masih diperlukan pengembangan dan

pengolahan lebih lanjut untuk dapat
dijadikan dasar pertimbangan kebijakan
 ANALISIS EFEKTIVITAS PERJANJIAN
DITJEN PERDAGANGAN INDONESIA-JEPANG (IJ-EPA)
BEA & CUKAI

*divisualisasikan oleh Pusdiklat Keuangan Umum

Defisit neraca perdagangan

dapat berdampak negatif
terhadap ekonomi

Perjanjian
Tarif bea masuk dengan klasifikasi:
Perjanjian Perdagangan Perdagangan - Fast Track (0%)
dapat meminimalkan tarif Indonesia- - Normal Track (0% dengan periode
barrier sehingga dapat Jepang (IJ-EPA) tertentu)
meningkatkan nilai dan - Exclusion (pengecualian terhadap
volume perdagangan mulai berlaku produk sensitif bagi industri domestik)
2008

METODE DATA
Rekonsiliasi
Data Impor Jepang - Data Tahunan Ekspor Indonesia ke
Data Ekspor Indonesia Jepang 1999-2018 (BPS)

Data Impor Jepang Jan 2018 - Aug 2019

Literature Review
(e-stat.go.jp)

Linear Regression - Data Ekspor Komoditi Indonesia ke

Interrupted Time Semua Negara Jan 2018 - Aug 2019
Series (Standar Model (DJBC)
Lopez Bernal,
Cummins, &
Gasparrini, 2016)
Y = Ekspor Idn ke Jpg T= Tahun/Waktu X = Implementasi IJ-EPA
XT = Multiplier Atribut Waktu & Implementasi Kebijakan

KESIMPULAN
Berdasarkan uji model ITS disimpulkan
bahwa implementasi IJ-EPA memberikan
efek positif pada awal implementasi dan
terjadi penurunan setelahnya. Komoditi Potensial Ekspor Indonesia ke Jepang:

REKOMENDASI
-Sosialisasi yang lebih masif ke eksportir mengenai
manfaat dari IJ-EPA
-Merekomendasikan ekspor komoditi yang menjadi
kebutuhan Jepang ke eksportir-eksportir Indonesia.
-Model ini dapat digunakan pada FTA lain
-Untuk meningkatkan akurasi pemodelan, dapat
dengan menambahkan atribut seperti GDP, nilai
tukar, inflasi maupun menambah jumlah data.
 ANALISIS PREDIKTIF PENETAPAN
KODE HS ATAS IMPOR BARANG INSPEKTORAT
JENDERAL

*divisualisasikan oleh Pusdiklat Keuangan Umum

Terdapat risiko inkonsistensi penetapan kode HS

(Harmonized System) yang dapat berpengaruh
terhadap besaran Bea Masuk (BM) dan Pajak
Dalam Rangka Impor (PDRI).

Sistem sekarang tidak dapat mendeteksi

kemungkinan adanya barang yang sama dengan
uraian barang yang tidak sama persis susunan
karakter alphanumeric-nya.

TOOLS TEKNIK
Jupyter Notebook versi 6
"Text Normalization"
Stopwords, Lowercase, Remove (Number,
IDE Punctuation, Whitespace), Tokenization,
Penggunaan text mining Lemmatization
dalam rangka analisis
"Term Weighting/Pembobotan Kata"
prediktif klasifikasi kode HS
Term Frequency, Inverse Document
berdasarkan uraian barang.
Frequency
"Term Classification"
Logistic Regression

Model logistic regression dibangun berdasarkan 125.155 sampel

data uraian barang. Selanjutnya model digunakan untuk
memprediksi 41.719 sampel data uraian barang lain.

67,93%
Tingkat akurasi atas prediksi
HASIL ANALISIS yang dilakukan adalah:

PENGEMBANGAN SELANJUTNYA:
Penambahan sampel data sehingga model yang dihasilkan lebih robust

Analisis dengan perangkat yang memiliki processinh power yang lebih besar
 PREDIKSI FREIGHT PADA
PEMBERITAHUAN IMPOR BARANG (PIB) DITJEN
BEA & CUKAI

*divisualisasikan oleh Pusdiklat Keuangan Umum

Uji akurasi nilai freight.

Data freight yang valid dibutuhkan untuk: Audit, Penetapan oleh Pejabat Fungsional
Pemeriksa Dokumen (PFPD) dan BI (penghitungan Balance of Payment).

Nilai FOB

Nilai Freight
Komoditas
Nilai Asuransi
detil data: Bruto
Data CEISA dan Neto Jumlah Kontainer

Data Geospasial Pelabuhan Jarak Antar Pelabuhan

TAHAPAN KERJA: Jumlah TEUs

Penyediaan Data Cleansing Data Plotting Penghitungan Penyiapan Evaluasi Prediksi

(Query Oracle) Sesuai Filter Pelabuhan Jarak Model Model Menggunakan
Internasional Model Terbaik

MODEL MACHINE LEARNING:

Linear Support Random

Regression atau Regression  Vector Forrest
Polinomial Tree Regression Regressor 
Regression  (SVR)

Coding Machine Learning: Visualisasi:

Menghasilkan prediksi harga freight.

Dalam jangka panjang, prediksi yang dilakukan konfirmasi dan masuk ke sistem
akan meningkatkan kemampuan prediksi.
Menilai kewajaran nilai freight sebagai dasar penetapan.
 SENTIMEN EVALUASI DIKLAT
STUDI KASUS LATSAR CPNS GOL.II PERIODE I
*divisualisasikan oleh Pusdiklat Keuangan Umum

Data evaluasi banyak dan selalu update.

Belum dilakukan pengelolaan data/analisa data.

Butuh konfirmasi dan validasi mengenai data evaluasi.

Belum ada visualisasi mengenai data evaluasi termasuk

sentimen positif atau negatif terhadap diklat.

PROSES OLAH DATA

DAN PENYAJIAN
Topik Modelling menggunakan
LDA (Latent Dirichlet Allocation)
Jupyter Notebook Matplotlib
Requirement: NLTK, Sastrawi, Gensim, pyLDAvis, XLRD

INTERPRETASI DATA

REKOMENDASI
Ketika setiap diklat selesai dapat langsung dilihat sentimennya.

Ada Infografis sentimen untuk setiap Pusdiklat di BPPK.

Dilakukan training data untuk menentukan sentimen positif/negatif.

SPEECH WRITING MENTERI DAN
WAKIL MENTERI KEUANGAN SEKRETARIAT
JENDERAL

*divisualisasikan oleh Pusdiklat Keuangan Umum

Untuk mendukung salah satu tugas Pushaka-Sekretariat Jenderal yaitu:

penyusunan speech writing Menteri dan Wakil Menteri Keuangan.

Kemampuan memahami keinginan Pimpinan dalam men-deliver speech yang

diperoleh dari pemahaman akan karakter dan gaya bahasa yang digunakan,
serta isu-isu strategis level internal maupun eksternal melalui Descriptive
Analytics.

Download library
Verbatim speech
26 Sampel verbatim Impor dokumen csv
(17 Akademik &
19 Non Akademik) Stemmer: pembakuan kata
DATA
DATA PROCESSING
MINING menjadi kata dasar > Corpus dasar
AND ANALYSIS

Tokenizer

Teknik: Unsupervised LDA Stop word dari library Sastrawi

(Latent Dirichlet Allocation)
Bag of word: dictionary dari id

LDA (Latent Dirichlet Allocation)

Visualisasi data
dengan
Orange
Data Mining

NEXT PROJECT:
REPORTING Topik Model Akademik Predictive Analytics
Dari hasil pengolahan 70% Speech
didapat 120 token
akademik dan 100 30% Knowledge:
token non akademik - Isu strategis (news & data)
yang digambarkan - Hasil rapat
- Verbatim rapat
pada word cloud.

Topik Model Non Akademik

 PENGEMBANGAN MODEL PREDIKTIF
KETERLAMBATAN REALISASI PROYEK YANG
INSPEKTORAT
JENDERAL DIBIAYAI MELALUI PINJAMAN PEMERINTAH
*divisualisasikan oleh Pusdiklat Keuangan Umum

Pembatalan loan Pinjaman yang berpotensi masalah, dapat dideteksi

menyebabkan pengeluaran dari gejala berupa: pencairannya yang lambat (slow
biaya yang signifikan. disbursement), maupun amandemen berulang kali
atas batas waktu pencairan pinjaman (drawing
limit).

TOOLS
Jupyter Notebook & Spyder

TEKNIK

Ensemble Model: Vote Classifier

Logistic MODEL PREDIKSI
Data Regression
Karakteristik
Random Prediction Lender
Forrest Karakteristik
Executing Agency
Disbursment
kNN Besaran Pinjaman
Category
Classifier Availability Period
Jenis Proyek
source: Debt Management
and Financial Analysis
System (DMFAS) - DJPPR Karakteristik
Lender
Karakteristik
Executing Agency Numerous
Besaran Pinjaman
Drawing Limit
Amendment
Availability Period
Jenis Proyek
HASIL ANALISIS

Tingkat akurasi Model

Prediksi Disbursment:

74.10%
Tingkat akurasi Model
Prediksi Amendment:

88.49%
PENGEMBANGAN SELANJUTNYA:
Penyempurnaan model prediktif melalui penggunaan algoritma ensemble learning selain voting classifier

Deployment model (yang disempurnakan) sebagai:

1) DMFAS interface untuk analisis prediktif oleh DJPPR, dan/atau
2) Analisis penentuan obyek kegiatan pengawasan Itjen.
 IDENTIFIKASI ROOT CAUSE INDEKS
PERSEPSI PESERTA TERHADAP PELATIHAN
*divisualisasikan oleh Pusdiklat Keuangan Umum

Hasil dari evaluasi pelatihan yang sudah

ada saat ini belum dapat mengidentifikasi
secara detail terkait kepuasan dan atau
ketidakpuasan peserta atas layanan yang
diberikan oleh Pusdiklat Keuangan Umum.

METODE ANALISIS
Text Analysis menggunakan Python

HASIL

SUMBER DATA
Rekap Evaluasi Tatap
Muka yang dihasilkan
dari Semantik, Data
Peserta.

KENDALA:
Data dari Semester I tahun 2018 dan seterusnya tidak dapat ditarik mengingat
penggunaan Semantik baru dimulai Semester II Tahun 2018.
Cleansing data terhadap data tersebut memerlukan waktu lama sehingga
diprioritaskan data Semester II Tahun 2018 dan Tahun 2019.
Saat evaluasi tatap muka ada peserta yang menggunakan Bahasa Inggris.

PENGEMBANGAN SELANJUTNYA:
Prediksi bentuk pelayanan yang harus diprioritaskan saat menghadapi peserta dengan profil tertentu.