<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[CIMB Niaga Data Community - Medium]]></title>
        <description><![CDATA[A channel to share opinion of Data Community member in CIMB Niaga about the  data challenges, knowledge, and technology relating to Banking and Financial industry. - Medium]]></description>
        <link>https://medium.com/cimbniaga-data-community?source=rss----51fc023cec28---4</link>
        <image>
            <url>https://cdn-images-1.medium.com/proxy/1*TGH72Nnw24QL3iV9IOm4VA.png</url>
            <title>CIMB Niaga Data Community - Medium</title>
            <link>https://medium.com/cimbniaga-data-community?source=rss----51fc023cec28---4</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Fri, 20 Nov 2026 22:46:42 GMT</lastBuildDate>
        <atom:link href="https://medium.com/feed/cimbniaga-data-community" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Implementasi Artificial Intelligence (AI) di Perbankan: Sudah Seberapa Jauhkah?]]></title>
            <link>https://medium.com/cimbniaga-data-community/implementasi-artificial-intelligence-ai-di-perbankan-sudah-seberapa-jauhkah-39a17785ac06?source=rss----51fc023cec28---4</link>
            <guid isPermaLink="false">https://medium.com/p/39a17785ac06</guid>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[banking]]></category>
            <category><![CDATA[ai]]></category>
            <category><![CDATA[perbankan]]></category>
            <dc:creator><![CDATA[CIMB Niaga's Data Community]]></dc:creator>
            <pubDate>Fri, 26 Apr 2024 08:25:15 GMT</pubDate>
            <atom:updated>2024-04-26T08:25:15.116Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*AVzgd87VcJXMTah_Qv7TFg.jpeg" /></figure><p>Halo, saya Gabriel Yosua Rantung sebagai The Complete Banker CIMB Niaga dan saat ini bagian dari team project di Data Management &amp; DPO CIMB Niaga. Saya ingin <em>sharing</em> mengenai implementasi <em>Artificial Intelligence (AI)</em> dalam dunia perbankan.</p><p>Di era transformasi digital modern, sudah banyak industri yang menyaksikan revolusi teknologi, termasuk di dunia perbankan. Inti dari transformasi ini terletak pada <em>Artificial Intelligence (AI)</em> atau kecerdasan buatan, sebuah teknologi yang menjanjikan untuk mendefinisikan kembali esensi operasional perbankan, pengalaman nasabah, dan strategi manajemen risiko. Pertanyaan yang kerap kali dilontarkan adalah: sudah seberapa jauhkah implementasi AI dalam perbankan? Artikel ini akan menjelaskan perjalanan implementasi AI dalam dunia perbankan, mulai dari penerapan dan manfaatnya hingga tantangan dan implikasinya di masa depan.</p><p>Perbankan adalah salah satu sektor yang mulai melihat potensi AI tepatnya sejak tahun 1980-an, penggunaannya adalah berbasis aturan sederhana untuk mendeteksi aktivitas <em>fraud.</em> Kemudian berkembang menawarkan peluang yang tak tertandingi untuk meningkatkan efisiensi, meningkatkan pengalaman nasabah, dan memitigasi risiko. Dengan algoritme berbasis AI dan model <em>Machine Learning (ML)</em>, bank dapat menganalisis data dalam jumlah besar, mengekstraksi dan menganalisa data sehingga menjadi wawasan yang lebih bermakna, dan mengotomatiskan tugas berulang dengan akurasi dan kecepatan yang belum pernah terjadi sebelumnya. Dari layanan pelanggan yang dipersonalisasi hingga analisis prediktif dan deteksi penipuan atau <em>fraud</em>, AI merevolusi setiap aspek dalam operasional perbankan.</p><p>Salah satu penerapan utama AI di perbankan adalah untuk meningkatkan <em>Customer Experience (CX)</em> atau pengalaman nasabah. Melalui <em>chatbot</em> dan asisten virtual yang didukung AI, bank dapat memberikan dukungan instan dan personal kepada nasabahnya sepanjang waktu, melalui berbagai saluran distribusi layanan. Selain itu, AI memungkinkan bank untuk menawarkan rekomendasi produk yang disesuaikan dengan kebutuhan dan kemampuan nasabah, saran keuangan yang dipersonalisasi sesuai kebutuhan setiap individu, serta pengalaman pengelolaan rekening yang lancar, sehingga mendorong keterlibatan dan loyalitas pelanggan yang lebih dalam. Selain itu, <em>customer churning</em> juga dapat dianalisis sehingga bank dapat mengetahui seberapa <em>valuable</em> seorang nasabah baik individual maupun non-individual (perusahaan) dalam membawa profitabilitas terhadap bank. Goal utama dari implementasi AI adalah untuk meningkatkan pengalaman nasabah dalam melakukan perbankan. (Referensi: <a href="https://www.mckinsey.com/industries/financial-services/our-insights/reimagining-customer-engagement-for-the-ai-bank-of-the-future">Artificial intelligence in banking: Reimagining customer engagement | McKinsey</a>)</p><blockquote><em>Goal utama dari implementasi AI adalah untuk meningkatkan pengalaman nasabah dalam melakukan perbankan</em></blockquote><p>Efisiensi operasional adalah bidang lain di mana AI memiliki keunggulan. Dengan mengotomatiskan tugas-tugas rutin seperti pemrosesan transaksi, penjaminan pinjaman, dan pemantauan kepatuhan terhadap aturan regulator, AI menyederhanakan operasi, mengurangi biaya, dan membebaskan sumber daya manusia untuk upaya yang lebih strategis. Selain itu, analisis prediktif berbasis AI memberdayakan bank untuk mengoptimalkan alokasi sumber daya, mengidentifikasi peluang pendapatan baru, dan tetap terdepan dalam tren pasar dengan presisi dan ketangkasan. (Referensi: <a href="https://www.intel.com/content/www/us/en/financial-services-it/fintech/ai-in-financial-services.html">AI in Financial Services: Use Cases and Applications | Intel</a>)</p><p>Dalam bidang Manajemen Risiko dan Kepatuhan, AI menawarkan kemampuan yang sangat berharga bagi bank. Algoritma AI dapat mendeteksi aktivitas penipuan, menilai risiko kredit, dan memastikan kepatuhan terhadap peraturan secara <em>real-time</em>, sehingga menjaga aset dan reputasi bank sekaligus menjunjung standar peraturan. Selain itu, analisis berbasis AI memungkinkan bank mengidentifikasi risiko yang muncul, mengantisipasi fluktuasi pasar (<em>pricing, product</em>), sehingga manajemen Bank dapat mengambil keputusan yang tepat untuk memitigasi risiko dan memanfaatkan peluang untuk bersaing dengan kompetitor.</p><p>Selain CX dan Manajemen Risiko dan Kepatuhan, dampak lain yang sangat signifikan dari implementasi AI terdapat pada mitigasi resiko <em>cyber threat</em> atau serangan siber. Menggunakan algoritma yang kompleks, bank dapat mendeteksi dan memitigasi apabila terdapat resiko yang dapat berdampak tidak baik untuk bank seperti penjualan data nasabah, kebocoran data kartu kredit, hingga apabila ada obrolan berkonotasi negatif terhadap bank dan jajaran manajemen atau komisaris. (Referensi: <a href="https://www.sentinelone.com/press/sentinelone-unveils-revolutionary-ai-platform-for-cybersecurity/">SentinelOne Unveils Revolutionary AI Platform for Cybersecurity | SentinelOne</a>)</p><blockquote><em>Selain CX dan manajemen risiko dan kepatuhan, dampak lain yang sangat signifikan dari implementasi AI terdapat pada mitigasi resiko cyber threat atau serangan siber</em></blockquote><p>Integrasi AI dalam perbankan menawarkan banyak manfaat bagi bank, nasabah, dan ekosistem keuangan yang lebih luas. Pertama, AI meningkatkan kepuasan dan loyalitas pelanggan dengan memberikan pengalaman terpersonalisasi yang selaras dengan preferensi dan kebutuhan individu. Kedua, AI mendorong efisiensi operasional dan efektivitas biaya, memungkinkan bank menyederhanakan proses, mengurangi biaya, dan mengalokasikan kembali sumber daya secara bijaksana. Ketiga, AI memperkuat manajemen risiko dan praktik kepatuhan, menjaga aset dan reputasi bank sekaligus menjunjung standar peraturan.</p><p>Meskipun memiliki potensi transformatif, penerapan AI secara luas di perbankan menghadirkan beberapa tantangan dan pertimbangan. Privasi dan keamanan data menjadi perhatian utama, karena bank harus melindungi data sensitif nasabah dari ancaman dunia maya dan memastikan kepatuhan terhadap peraturan perlindungan data. Selain itu, pertimbangan <em>ethical</em> seputar AI, seperti <em>algorithm bias</em>, transparansi, dan akuntabilitas, memerlukan perhatian yang cermat untuk membangun kepercayaan dengan pelanggan dan regulator. (Referensi: <a href="https://www.unesco.org/en/artificial-intelligence/recommendation-ethics">Ethics of Artificial Intelligence | UNESCO</a>)</p><blockquote><em>Meskipun memiliki potensi transformatif, penerapan AI secara luas di perbankan menghadirkan beberapa tantangan dan pertimbangan seperti privasi dan keamanan data</em></blockquote><p>Seiring dengan terus berkembangnya inovasi berbasis AI, bank akan terus beradaptasi, berinovasi, dan berkolaborasi agar tetap menjadi yang terbaik untuk melayani nasabah lebih baik. Dengan mengembangkan ekosistem tata kelola, kolaborasi, dan inovasi AI yang bertanggung jawab, bank dapat membuka peluang baru dalam hal efisiensi, inovasi, dan membawa <em>value</em> lebih kepada nasabah, yang pada akhirnya membentuk masa depan layanan keuangan yang lebih cerah. Dengan memanfaatkan AI secara bertanggung jawab dan kolaboratif, bank dapat menavigasi kompleksitas era digital dan membentuk jalan menuju masa depan keuangan yang lebih inklusif, efisien, dan tangguh. Saat kita berada di titik puncak era baru ini, kemungkinan yang ada tidak terbatas, dan perjalanan ke depan menjanjikan sesuatu yang luar biasa dan menarik untuk dikembangkan.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=39a17785ac06" width="1" height="1" alt=""><hr><p><a href="https://medium.com/cimbniaga-data-community/implementasi-artificial-intelligence-ai-di-perbankan-sudah-seberapa-jauhkah-39a17785ac06">Implementasi Artificial Intelligence (AI) di Perbankan: Sudah Seberapa Jauhkah?</a> was originally published in <a href="https://medium.com/cimbniaga-data-community">CIMB Niaga Data Community</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Uji Coba dengan Dummy Data]]></title>
            <link>https://medium.com/cimbniaga-data-community/uji-coba-dengan-dummy-data-db7df932d637?source=rss----51fc023cec28---4</link>
            <guid isPermaLink="false">https://medium.com/p/db7df932d637</guid>
            <category><![CDATA[data-testing]]></category>
            <category><![CDATA[data-protection]]></category>
            <category><![CDATA[data-synthesis]]></category>
            <category><![CDATA[data-management]]></category>
            <category><![CDATA[data-development]]></category>
            <dc:creator><![CDATA[Nason Agung]]></dc:creator>
            <pubDate>Mon, 30 Oct 2023 12:32:46 GMT</pubDate>
            <atom:updated>2023-10-30T12:32:45.973Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*kLwFHI-UUfE-oFFy9U_vzA.jpeg" /></figure><p>Pernahkah kita berpikir tentang barang-barang dummy yang sering kali kita temui dalam kehidupan sehari-hari? Misalnya, manekin dengan setelan kemeja, celana dan aksesorisnya di toko baju, di toko ponsel dengan jajaran ponsel palsu atau ponsel dummy, sepiring nasi goreng pajangan di resto yang tentu saja tidak bisa dimakan, pajangan di mal yang mencitrakan produk tetapi tak berfungsi, pajangan motor atau mobil antik di tempat wisata yang tentu saja tidak bisa berjalan, atau bahkan dummy manusia untuk testing impact tabrakan di pabrikan otomotif.</p><p>Barang-barang semacam ini tidak hanya menciptakan ilusi nyata, tetapi juga memiliki peran yang signifikan dalam memfasilitasi pemahaman, eksperimen, dan pengujian untuk mewakili kondisi sebenarnya.</p><p>Mengapa penerapan konsep dummy data dalam dunia digital memiliki peran yang penting?</p><p>Bagi kita yang bekerja di industri perbankan dan jasa keuangan mungkin pernah merasakan tantangan saat ingin menciptakan data untuk pengujian konsep/proof-of-concept (POC), atau testing system yang melibatkan pihak ketiga yang mana regulasi sangat ketat mengatur penggunaan data.</p><p>Hal ini menjadi kendala bagi developer, analis bisnis, tim IT, unit bisnis, dan individu lainnya. Dalam kasus ini penggunaan data asli mungkin tidak diperbolehkan karena dapat membocorkan informasi rahasia nasabah. Namun dengan penggunaan data dummy memungkinkan perusahaan untuk mendemonstrasikan fitur dan potensi produk atau layanan tanpa mengungkapkan detail sensitif.</p><p>Pada tahap pengujian perangkat lunak, dummy data juga memungkinkan tim developer untuk mengidentifikasi bug dan masalah potensial tanpa mengorbankan integritas data sebenarnya. Selain itu, penggunaan data sintetis membantu melindungi informasi pribadi atau rahasia perusahaan dari ancaman pihak ketiga yang tidak berwenang.</p><p>Data dummy memiliki peran krusial dalam berbagai aspek operasional dan pengembangan aplikasi. Berikut adalah pemaparan lebih mendalam tentang manfaat penggunaan data dummy:</p><ol><li><strong>Proof of Concept (POC) yang Efisien</strong>: Data dummy menjadi alat penting dalam mengembangkan POC. Dalam tahap awal pengembangan produk atau solusi baru, POC diperlukan untuk menguji konsep dan fungsionalitas tanpa mengorbankan data asli yang berharga. Data dummy memberikan cara untuk menjalankan simulasi yang realistis tanpa risiko kerusakan pada data asli. Hal ini memungkinkan pengembang untuk mengidentifikasi potensi masalah dan peluang dalam suatu konsep dengan lebih cepat.</li><li><strong>Pengujian Aplikasi dan Perangkat Lunak</strong>: Dalam pengembangan perangkat lunak, pengujian dengan data asli atau yang mirip menjadi penting untuk memastikan kualitas dan keandalan. Namun, menggunakan data asli<em> </em>dalam pengujian bisa menimbulkan masalah privasi dan keamanan. Data dummy dapat mensimulasikan berbagai skenario dan kasus uji yang membantu mengidentifikasi kelemahan dalam perangkat lunak tanpa risiko data sensitif bocor.</li><li><strong>Proteksi Data dari Pihak Ketiga</strong>: Perusahaan sering kali perlu berbagi data dengan pihak ketiga, seperti mitra bisnis atau penyedia layanan. Namun, data sensitif yang dibagikan bisa berisiko mengungkapkan informasi rahasia atau privasi. Dengan menggunakan data dummy, organisasi dapat memberikan akses kepada pihak ketiga tanpa mengorbankan integritas data asli. Data dummy tidak hanya melindungi privasi, tetapi juga meminimalkan potensi risiko yang terkait dengan kebocoran data.</li><li><strong>Pelatihan dan Pendidikan</strong>: Data dummy menjadi sumber yang berharga dalam pelatihan dan pendidikan. Dalam konteks pembelajaran, data dummy dapat digunakan untuk memberikan contoh kasus yang realistis tanpa perlu mengungkapkan informasi pribadi atau rahasia. Ini berlaku dalam berbagai bidang, termasuk pengembangan keterampilan analisis data, pelatihan AI/machine learning, dan simulasi situasi bisnis.</li><li><strong>Mengatasi Keterbatasan Data Asl</strong>i: Dalam beberapa kasus, data asli mungkin terbatas atau sulit diperoleh. Data dummy memungkinkan perusahaan untuk memperluas skala dan variasi data yang tersedia. Ini sangat berharga dalam mengembangkan model machine learning yang memerlukan sejumlah besar data untuk pelatihan yang efektif. Dengan data dummy,organisasi dapat memiliki akses ke data yang sesuai dengan kebutuhan mereka.</li></ol><p>Dalam menghasilkan data dummy, ada berbagai cara, misalkan menggunakan online data dummy generator atau menggunakan library Python. Beberapa situs online dan library telah memainkan peran penting dalam menyediakan tool yang mumpuni untuk membuat data yang realistis. Berikut ini adalah beberapa website dan library yang umum digunakan:</p><ol><li><strong>Generatedata.com</strong>: situs ini adalah online tool yang berguna untuk menghasilkan data dummy dengan cepat dan mudah dimana kita dapat memilih jenis data yang ingin dihasilkan dari dropdown lalu menyimpannya dalam berbagai format file, seperti CSV, JSON, XML, dan lain-lain. website: <a href="https://generatedata.com/">https://generatedata.com/</a></li><li><strong>Faker</strong>: Library Faker adalah salah satu alat paling populer untuk menghasilkan data dummy yang realistis. Dengan menggunakan berbagai provider, seperti nama, alamat, tanggal, nomor telepon, dan banyak lagi, Faker memungkinkan pembuatan data acak yang tampak seperti data asli. Kelebihannya adalah kemudahan penggunaan dan kustomisasi yang fleksibel. website: <a href="https://faker.readthedocs.io/en/master/">https://faker.readthedocs.io/en/master/</a></li><li><strong>SDV (Synthetic Data Vault)</strong>: SDV adalah library yang lebih canggih yang menghasilkan data sintetis dengan distribusi yang mirip dengan data asli. SDV tidak hanya membuat data acak, tetapi juga memastikan bahwa data sintetis mengikuti statistik dan struktur data asli. Ini berguna untuk menjaga integritas analisis dan pengujian. website: <a href="https://sdv.dev/">https://sdv.dev/</a></li><li><strong>Simpy: </strong>Simpy adalah library lain yang berguna dalam menghasilkan data sintetis. Simpy menawarkan berbagai fungsi untuk menghasilkan data seperti tanggal, waktu, alamat email, teks, dan lainnya. Library ini juga dapat digunakan untuk membuat data yang lebih kompleks dengan lebih banyak variasi. <a href="https://www.sympy.org/en/index.html">https://www.sympy.org/en/index.html</a></li></ol><p>Membuat data dummy yang berkualitas memerlukan perencanaan dan pemahaman yang baik tentang kebutuhan data kita. Berikut adalah langkah-langkah sederhana yang dapat diikuti untuk menghasilkan data dummy yang realistis dan bermanfaat:</p><ol><li><strong>Pemahaman Kebutuhan Data:</strong></li></ol><p>Sebelum mulai membuat data dummy, tentukan dengan jelas jenis data apa yang kita butuhkan. Identifikasi atribut-atribut apa saja yang perlu disimulasikan, seperti nama, alamat, tanggal, dan lainnya. Selain itu, tentukan juga struktur data yang diperlukan, termasuk tabel dan relasi antar tabel.</p><p>Dalam artikel ini saya contohkan skenario kebutuhan untuk POC <em>Data Integration Tool</em> dimana data disimulasikan diambil dari<em> Core Banking</em>, Sistem Pembiayaan Pinjaman (<em>Loan Originating System/LOS</em>), dan Sistem Data Warehouse lalu ditransformasikan ke table analisis loan nasabah.<br><em>Core Banking</em> mengelola rekening dan transaksi pelanggan, <em>LOS</em> menangani aplikasi dan persetujuan pinjaman, dan Sistem Data Warehouse menyimpan data konsolidasi dan historis untuk tujuan pelaporan dan analisis.</p><p>Berikut contoh skema tabel-nya : <em>(skema tabel di bawah juga dummy lho ya :D )</em></p><pre>Table: Core_Account<br>Columns: AccountID, CustomerID, AccountType, OpenDate, Balance<br><br>Table: Core_Transaction<br>Columns: TransactionID, AccountID, TransactionDate, TransactionType, Amount<br><br>Table: LOS_Loan<br>Columns: LoanID, CustomerID, LoanType, ApprovalStatus, LoanAmount<br><br>Table: DWH_Customer<br>Columns: CustomerID, Name, Email, Phone, Address</pre><p><strong>2. Membuat Relasi Antar Tabel:</strong></p><p>Jika data kita melibatkan relasi antar tabel, seperti dalam struktur database, pastikan kita menentukan hubungan tersebut dengan benar. Misalnya, dalam contoh di atas tabel DWH_Customer dan Core_Account, pastikan kita menghasilkan data sintetis yang mencerminkan hubungan antara nasabah dan rekening.</p><p>Berikut contoh model data dan relasi antar tabel dari skenario kita</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/443/1*hFwMLzkSL81KIZkKgXzBZw.png" /></figure><p><strong>3. Menggunakan Online Tool generatedata.com untuk generate dummy data</strong></p><p>Buka browser web dan akses <a href="https://generatedata.com/">https://generatedata.com/</a>.<br>Di laman utama, kita akan melihat daftar kolom dengan label “Column 1”, “Column 2”, dan seterusnya. Setiap kolom ini akan mewakili atribut atau jenis data yang ingin kita hasilkan.</p><p>Pada setiap kolom, kita dapat memilih jenis data yang ingin dihasilkan dari dropdown. Jenis data yang tersedia mencakup nama, alamat, angka, email, tanggal, dan banyak lagi. Pilih jenis data yang sesuai untuk setiap kolom.</p><p>Beberapa jenis data memiliki opsi tambahan yang dapat kita konfigurasi. Misalnya, jika kita memilih jenis data “Nama”, Anda dapat memilih apakah ingin menghasilkan nama depan, nama belakang, atau keduanya.</p><p>Dengan contoh data model kita, berikut setting kolom data elemen untuk table DWH_Customer beserta tipe datanya.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*_MIi_T6v5holNhs5yKYOvA.png" /></figure><p>Lalu muncul preview dari data elemen yang kita inginkan</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/744/1*ycgU72XTsxse_oPr8o89ew.png" /></figure><p>Lalu tekan tombol generate untuk menghasilkan data dummy yang kita dalam bentuk file <strong>CSV</strong>, untuk versi free, data dummy maksimal yang bisa di-generate adalah 500 baris. Untuk mendapatkan dataset yang lebih besar perlu berlangganan terlebih dahulu.</p><p>Untuk menghasilkan dataset yang lain Core_Account, Core_Transaction dan LOS_Loan lakukan langkah yang sama dengan menyesuaikan tipe data dan karakteristik tiap data elemen.</p><p><strong>4. Menggunakan Library Python Faker untuk Localization</strong></p><p>Data yang dihasilkan oleh online generator di atas sudah cukup bagus untuk testing data, namun jika kita ingin untuk membuat demo dan menghasilkan nuansa atau ‘feel’ ke-Indonesia-an kita bisa menggunakan library Python dan localization Indonesia.</p><p>Langkah pertama yang perlu dilakukan adalah mengistal library Faker dengan perintah pip:</p><pre>pip install Faker</pre><p>Untuk penggunaannya kita dapat mengimpor dan melokalisasi data dengan script:</p><pre>from faker import Faker<br>fake = Faker(&#39;id_ID&#39;)</pre><p>Lalu gunakan objek fake untuk menghasilkan data dummy sesuai dengan skema DWH &quot;Customer&quot;. Misalnya, untuk setiap entri pelanggan, kita dapat menghasilkan nama, alamat, nomor telepon, alamat email, dan sebagainya:</p><pre>import csv<br><br>with open(&#39;data_pelanggan.csv&#39;, &#39;w&#39;, newline=&#39;&#39;) as csvfile:<br>    fieldnames = [&#39;Nama&#39;, &#39;Alamat&#39;, &#39;Nomor Telepon&#39;, &#39;Email&#39;]<br>    writer = csv.DictWriter(csvfile, fieldnames=fieldnames)<br><br>    writer.writeheader()<br>    for _ in range(jumlah_pelanggan):<br>        nama = fake.name()<br>        alamat = fake.address()<br>        nomor_telepon = fake.phone_number()<br>        email = fake.email()<br>        writer.writerow({&#39;Nama&#39;: nama, &#39;Alamat&#39;: alamat, &#39;Nomor Telepon&#39;: nomor_telepon, &#39;Email&#39;: email})</pre><p>File yang dihasilkan dari script Python di atas bisa kita tambahkan CustomerId dari langkah sebelumnya, atau sebaliknya file dari online generator kita update field Name, Email, Phone dan Address-nya.</p><p>Data dummy bukan hanya sekadar alternatif untuk data nyata, tetapi juga menjadi komponen penting dalam pengembangan, pengujian, dan perlindungan data. Dengan memanfaatkan potensi data dummy, organisasi dapat meningkatkan efisiensi pengujian, melindungi privasi, serta memperluas pemahaman dan literasi data tanpa mengorbankan integritas dan keamanan data asli.</p><p>Contoh pembuatan data dummy di atas masih tergolong sederhana dan memiliki keterbatasan dalam hal kapasitas data yang dihasilkan dan kompleksitas data yang diinginkan. Untuk skala data yang lebih besar, kebutuhan yang lebih kompleks dan kemudahan penggunaan, tentunya perlu solusi dan tool skala enterprise.</p><p>Namun untuk keperluan edukasi melalui tulisan ini, saya pikir cukup untuk memberikan gambaran tentang data dummy dan cara membuatnya.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=db7df932d637" width="1" height="1" alt=""><hr><p><a href="https://medium.com/cimbniaga-data-community/uji-coba-dengan-dummy-data-db7df932d637">Uji Coba dengan Dummy Data</a> was originally published in <a href="https://medium.com/cimbniaga-data-community">CIMB Niaga Data Community</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Pentingnya Memahami Skala Data Sebelum Melakukan Analisis Data.]]></title>
            <link>https://medium.com/cimbniaga-data-community/pentingnya-memahami-skala-data-sebelum-melakukan-analisis-data-67a7cf36e132?source=rss----51fc023cec28---4</link>
            <guid isPermaLink="false">https://medium.com/p/67a7cf36e132</guid>
            <dc:creator><![CDATA[CIMB Niaga's Data Community]]></dc:creator>
            <pubDate>Thu, 31 Aug 2023 10:33:42 GMT</pubDate>
            <atom:updated>2023-08-31T10:33:42.324Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/955/0*SyZL5ZzncGr6PiYU" /></figure><p>Saya Din Waikabu. Kali ini saya ingin berbagi lagi dalam forum CIMB Niaga Data Community mengenai “Skala Data dalam Analisa”</p><p><strong>Dalam analisis data</strong>, penting untuk memahami skala data, yang mengacu pada jenis variabel yang digunakan untuk mengukur atau mengamati fenomena yang diamati. Skala data mempengaruhi jenis analisis yang dapat dilakukan dan statistik deskriptif yang dapat digunakan untuk menggambarkan dan meringkas data tersebut.</p><p>Dalam statistika, ada empat jenis skala data yang umum digunakan: skala nominal, skala ordinal, skala interval, dan skala rasio. Masing-masing skala memiliki ciri khasnya sendiri dan memungkinkan penggunaan analisis statistik yang berbeda.</p><ol><li><strong>Skala Nominal</strong>: Skala nominal adalah skala data yang digunakan untuk mengklasifikasikan atau mengkategorikan objek atau individu ke dalam kelompok-kelompok yang berbeda. Pada skala ini, data tidak memiliki urutan atau tingkatan yang bermakna. Contohnya adalah jenis kelamin (misalnya laki-laki dan perempuan), status perkawinan (misalnya belum menikah, menikah, cerai), dan warna mobil (misalnya merah, biru, hijau).</li><li><strong>Skala Ordinal</strong>: Skala ordinal adalah skala data yang memungkinkan pengurutan atau peringkat objek atau individu berdasarkan karakteristik yang diamati. Pada skala ini, perbedaan antara nilai-nilai tidak memiliki arti numerik tetapi hanya mengindikasikan urutan atau tingkatan. Contohnya adalah tingkat kepuasan pelanggan (misalnya sangat puas, puas, tidak puas), peringkat dalam perlombaan (misalnya peringkat pertama, kedua, ketiga), dan tingkat pendidikan (misalnya SD, SMP, SMA).</li><li><strong>Skala Interval</strong>: Skala interval adalah skala data yang memiliki perbedaan nilai yang memiliki arti numerik dan interval yang konsisten. Pada skala ini, nol bukanlah titik yang mutlak tetapi hanya merepresentasikan titik awal. Contohnya adalah suhu dalam Celsius atau Fahrenheit, skala kepuasan dari 1 hingga 10, dan tahun kalender.</li><li><strong>Skala Rasio</strong>: Skala rasio adalah skala data yang memiliki perbedaan nilai yang memiliki arti numerik dan memiliki titik nol yang mutlak. Pada skala ini, rasio antara nilai-nilai dapat dibandingkan dan diukur dengan akurat. Contohnya adalah tinggi badan, berat badan, pendapatan, dan umur.</li></ol><p>Pemahaman tentang skala data menjadi penting karena jenis skala yang digunakan akan menentukan jenis analisis data yang dapat dilakukan. Misalnya, untuk data skala nominal, analisis yang tepat termasuk frekuensi, persentase, dan uji chi-square. Sementara itu, untuk data skala interval atau rasio, analisis yang lebih kompleks seperti analisis regresi atau uji t dapat digunakan.</p><p>Kesimpulannya, skala data adalah konsep penting dalam analisis data yang menentukan jenis analisis yang dapat dilakukan.</p><p>Sekian dari saya. Terimakasih</p><p>Referensi :</p><p><a href="https://dinwaikabu-22883.medium.com/pentingnya-memahami-skala-data-sebelum-melakukan-analisis-data-d1dc98f1cd8">Pentingnya Memahami Skala Data Sebelum Melakukan Analisis Data.</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=67a7cf36e132" width="1" height="1" alt=""><hr><p><a href="https://medium.com/cimbniaga-data-community/pentingnya-memahami-skala-data-sebelum-melakukan-analisis-data-67a7cf36e132">Pentingnya Memahami Skala Data Sebelum Melakukan Analisis Data.</a> was originally published in <a href="https://medium.com/cimbniaga-data-community">CIMB Niaga Data Community</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Mengapa Budaya Literasi Data Sangat Penting dalam Mencapai Organisasi Data-driven]]></title>
            <link>https://medium.com/cimbniaga-data-community/mengapa-budaya-literasi-data-sangat-penting-dalam-mencapai-organisasi-data-driven-1fe3af0e309b?source=rss----51fc023cec28---4</link>
            <guid isPermaLink="false">https://medium.com/p/1fe3af0e309b</guid>
            <dc:creator><![CDATA[CIMB Niaga's Data Community]]></dc:creator>
            <pubDate>Tue, 06 Jun 2023 04:21:11 GMT</pubDate>
            <atom:updated>2023-06-06T04:59:18.597Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/895/1*Fvhu1zzBmiH8P6-j2KcabQ.png" /></figure><p>Di era digital saat ini, data merupakan bagian tak terpisahkan dari operasional dan kesuksesan suatu organisasi. Untuk mencapai organisasi berbasis data yang efektif, penting bagi perusahaan untuk membangun budaya literasi data yang kuat. Literasi data merujuk pada kemampuan seseorang untuk mengakses, memahami dan mengevaluasi informasi yang disajikan dalam bentuk data. Organisasi berbasis data menggunakan data sebagai aset utama dan memiliki pengguna yang memahami pentingnya data. Mereka memanfaatkan data sebagai bukti yang paling penting dalam membuat keputusan dan merumuskan strategi bisnis yang relevan. Organisasi ini menghindari pengambilan keputusan yang hanya berdasarkan intuisi atau pendapat subyektif.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/624/1*7dOa18rJkBqPdxPsZBcXjw.png" /><figcaption><em>Gambar 1: Rangkaian pengunaan data dalam mencapai pertumbuhan</em></figcaption></figure><p>Meskipun banyak organisasi berfokus pada investasi teknologi, seringkali mereka mengabaikan faktor manusia dan budaya yang sama pentingnya. Mereka lupa bahwa peran setiap individu dalam organisasi sangatlah penting dalam mencapai organisasi berbasis data. Meskipun suatu organisasi memiliki perangkat lunak dan platform canggih, semuanya akan menjadi tidak berguna jika data masih eksklusif dan pengguna memiliki pemahaman yang terbatas. Oleh karena itu, organisasi perlu mengadopsi kerangka kerja yang menempatkan data sebagai dasar dalam analisis, pengambilan keputusan, dan optimalisasi bisnis. Hal ini akan menghasilkan pertumbuhan bisnis yang signifikan melalui peningkatan kompetensi data dan keunggulan kompetitif.</p><p>Menurut survei dari Qlik.com pada tahun 2017, perusahaan besar yang memiliki tingkat literasi data yang kuat mencapai nilai bisnis 5% lebih tinggi dibandingkan dengan pesaing mereka. Di Amerika Serikat, karyawan yang memiliki pemahaman yang baik tentang data mendapatkan kompensasi 20% lebih tinggi dibandingkan dengan rekan mereka yang kurang menguasai data. Organisasi berbasis data menghubungkan posisi karyawan dengan peran mereka dalam memanfaatkan data. Sayangnya, masih banyak pemimpin yang belum memahami pentingnya data. Hasil survei menunjukkan 76% pengambil keputusan bisnis kurang percaya diri dalam membaca, menganalisis, dan menggunakan data secara efektif.</p><p>Bagaimana kita dapat membangun budaya literasi data yang kuat?</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/624/1*iRGvautIRmK9rI9auv3esA.png" /><figcaption><em>Gambar 2: Tiga langkah dalam mewujudkan Budaya Literasi Data</em></figcaption></figure><p><strong>Langkah 1: Jadikan budaya literasi data sebagai bagian integral dari strategi perusahaan.</strong></p><p>Literasi data merupakan investasi yang penting, di mana kualitas hasil lebih diutamakan daripada kecepatan pelaksanaan. Karyawan perlu mengadopsi cara berpikir baru yang mengubah perspektif mereka dalam memahami dan memecahkan masalah. Pemimpin memiliki peran yang krusial dalam menginspirasi karyawan untuk membuat dampak melalui pemanfaatan data. Pelatihan literasi data penting, tetapi program pelatihan tersebut harus menjadi bagian dari strategi perubahan yang lebih besar. Dengan demikian, penting untuk menjadikan budaya literasi data sebagai strategi perusahaan.</p><blockquote>Pada saat artikel ini ditulis, Bank CIMB Niaga sedang meluncurkan Technology Graduate Program (TGP), sebuah program berkelanjutan yang bertujuan untuk merekrut bakat-bakat muda di bidang IT Development dan IT Business Analysis. Program ini menawarkan kelas pelatihan, proyek nyata, pendampingan, dan presentasi akhir yang berujung pada penempatan karyawan permanen. Ini merupakan investasi jangka panjang perusahaan dalam meningkatkan literasi data. Informasi lebih lanjut tentang program ini dapat ditemukan di <a href="https://www.cimbniaga.co.id/id/tentang-kami/karier/development-programme">link</a> berikut.</blockquote><p><strong>Langkah 2: Membuka kesempatan yang luas dan mudah bagi karyawan untuk mengakses data.</strong></p><p>Menurut survei yang dilakukan oleh International Data Corporation (IDC) pada tahun 2020, hanya 22% dari pengguna data yang memiliki akses ke data dan alat bantu yang memungkinkan mereka membaca dan memahami data dengan lebih baik. Pertumbuhan data yang cepat tanpa menyediakan akses yang lebih luas hanya akan memperburuk situasi ini. Dalam era pertumbuhan bisnis dan kanal digital, data dan integrasi menjadi semakin kompleks. Penggunaan alat bantu di bidang Data Governance, misalnya Data Catalog, Data Lineage, dan Data Model menjadi standar baru bagi organisasi berbasis data. Tanpa adanya alat-alat ini, sulit untuk mewujudkan kemampuan analisis mandiri (<em>self-service</em>) yang mudah. Terlebih lagi, dengan perkembangan kecerdasan buatan, organisasi yang terbatas dalam akses data dan alat bantu akan tertinggal jauh.</p><p><strong>Langkah 3: Jadikan semangat perbaikan berkelanjutan berbasis data sebagai bagian dari DNA perusahaan.</strong></p><p>Agar organisasi tetap optimal dalam mengadopsi literasi data, semangat perbaikan berkelanjutan berbasis data harus menjadi bagian tak terpisahkan dari budaya perusahaan. Pendekatan ini akan memperkuat tingkat kecerdasan bisnis, yang akan meningkatkan kapabilitas data organisasi. Sebagai contoh, posisi bisnis yang semula hanya dapat menjelaskan apa yang sudah terjadi, akan berkembang dan mampu memberikan pilihan terbaik dalam mencapai kesuksesan bisnis. Akibatnya, organisasi dapat membuat keputusan dan investasi yang lebih optimal dibandingkan dengan pesaing lainnya.</p><blockquote>Pada tahun 2023, Bank CIMB Niaga <a href="https://finansial.bisnis.com/read/20230519/90/1657292/tingkatkan-keamanan-data-cimb-niaga-bnga-anggarkan-capex-it-rp1-triliun">telah mengalokasikan biaya CAPEX</a> sebesar Rp 1 triliun untuk investasi di bidang informasi dan teknologi, khususnya untuk pemeliharaan sistem yang ada, belum termasuk sistem baru. Komitmen ini menunjukkan upaya perbaikan berkelanjutan yang positif yang didesain dan diprioritaskan berdasarkan data terukur. Untuk memaksimalkan investasi ini, perbaikan berkelanjutan terus dilakukan pada proses inti, seperti percepatan layanan dan penurunan biaya akuisisi pelanggan. Perbaikan ini dilakukan melalui analisis yang cermat, model statistik, dan simulasi.</blockquote><p><strong>Apa yang harus dilakukan selanjutnya?</strong></p><p>Pada awal tahun 2023, jumlah pengguna internet di Indonesia mencapai 213 juta, yang mencakup 77% dari total populasi. Fakta ini didukung oleh peningkatan transaksi perbankan digital pada bulan Maret 2023, yang naik hampir 10% dibandingkan dengan tahun sebelumnya, mencapai Rp 4.944,1 triliun. Di balik semua ini, data memainkan peran penting sebagai landasan kesuksesan bisnis dan kemakmuran negara kita. Sebagai profesional di bidang data, kita perlu terus berperan aktif dalam mengadvokasi budaya <em>data-driven</em> untuk menciptakan produk dan layanan terbaik bagi nasabah dan rekan kerja kita.</p><h3>Tentang penulis</h3><p>Santori Malinton, Head of Data Management and DPO</p><p>Bertanggung jawab dalam memimpin dan mewujudkan strategi perusahaan dalam manajemen dan pelindungan data. Dengan pengalaman lebih dari 20 tahun dalam transformasi digital dan data di tingkat regional, serta manajemen risiko, Santori telah mengemban berbagai peran kepemimpinan di Bank HSBC, Grup Commonwealth Bank of Australia, termasuk Bank of Western Australia, dan Bank ASB New Zealand sebelum bergabung dengan Bank CIMB Niaga.</p><blockquote>Icons diciptakan memakai Freepik / Flaticon.</blockquote><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=1fe3af0e309b" width="1" height="1" alt=""><hr><p><a href="https://medium.com/cimbniaga-data-community/mengapa-budaya-literasi-data-sangat-penting-dalam-mencapai-organisasi-data-driven-1fe3af0e309b">Mengapa Budaya Literasi Data Sangat Penting dalam Mencapai Organisasi Data-driven</a> was originally published in <a href="https://medium.com/cimbniaga-data-community">CIMB Niaga Data Community</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Implementasi Simple Moving Average dan Double Moving Average dalam Meramalkan Creation Data Error]]></title>
            <link>https://medium.com/cimbniaga-data-community/implementasi-simple-moving-average-dan-double-moving-average-dalam-meramalkan-creation-data-error-b4d6cc636c2e?source=rss----51fc023cec28---4</link>
            <guid isPermaLink="false">https://medium.com/p/b4d6cc636c2e</guid>
            <dc:creator><![CDATA[CIMB Niaga's Data Community]]></dc:creator>
            <pubDate>Wed, 31 May 2023 08:49:35 GMT</pubDate>
            <atom:updated>2023-05-31T08:49:35.398Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/624/0*nKF-0fXNNMAmGEMl.png" /></figure><p>Perkenalkan, saya <strong>Din Waikabu</strong>, member of Data Management CIMB Niaga, role saya sebagai <em>Data Quality Monitoring Specialist</em>. Pada kesempatan kali ini saya akan <em>berbagi </em>teknik peramalan dengan mempergunakan Simple Moving Average dan Double Moving Average.</p><p>Forecasting, atau yang juga dikenal sebagai peramalan, adalah salah satu teknik yang digunakan dalam analisis data untuk memprediksi nilai-nilai masa depan. Dalam melakukan forecasting, terdapat berbagai macam metode yang bisa digunakan, salah satunya adalah menggunakan <strong>Simple Moving Average (SMA)</strong> <strong>dan Double Moving Average (DMA)</strong>.</p><p><strong>Simple Moving Average</strong> <strong>(SMA)</strong> adalah metode peramalan yang sederhana namun efektif. Metode ini memungkinkan untuk menemukan tren dari data historis dengan cara menghitung rata-rata bergerak dari sejumlah periode waktu.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/188/0*WUT3vlPIbyzGYsmf.png" /></figure><p>Cara menghitung SMA adalah dengan menjumlahkan nilai data pada sejumlah periode waktu, kemudian hasilnya dibagi dengan jumlah periode waktu yang digunakan. Misalnya, untuk menghitung period ke 21 dengan menggunakan SMA pada 4 periode waktu, kita dapat melakukan perhitungan sebagai berikut:</p><p>MA(4) = (Data17+ Data18 + Data19 + Data20) / 4</p><p>Contoh penggunaan SMA dapat digunakan untuk memprediksi jumlah data error ketika dibuat. Dalam hal ini, data yang digunakan adalah data error ketika dibuat pada 20 bulan terakhir. Dalam kasus ini, kita dapat menghitung SMA pada 4 bulan terakhir untuk memprediksi jumlah data error pada periode ke-21.</p><p>Cara hitung manual:</p><p>MA(4) = (416+467+215+433)/4 = 371.666</p><p>Contoh menggunakan excel:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/226/0*yERlrhWmJFH38v1Q.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/419/0*Nate_zEBEDHsCx5Z.png" /></figure><p><strong>Double Moving Average (DMA) </strong>atau moving average ganda, adalah metode peramalan yang lebih kompleks daripada SMA. DMA menggunakan dua rata-rata bergerak untuk menemukan tren dari data historis. Metode ini memungkinkan untuk mengurangi kesalahan yang terjadi pada SMA dan memberikan hasil yang lebih akurat.</p><p>Cara menghitung DMA adalah dengan menghitung dua rata-rata bergerak dengan periode waktu yang berbeda. Rata-rata bergerak yang pertama digunakan untuk menentukan tren jangka panjang, sedangkan rata-rata bergerak yang kedua digunakan untuk menentukan tren jangka pendek. Biasanya, periode waktu yang digunakan untuk rata-rata bergerak pertama lebih lama dibandingkan dengan periode waktu yang digunakan untuk rata-rata bergerak kedua.</p><p>Secara umum formula untuk double moving average sebagai beikut:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/224/0*me_4RCFmHijlU6S1.png" /></figure><p>Contoh penggunaan DMA adalah untuk memprediksi jumlah data error. Dalam hal ini, kita dapat menggunakan DMA dengan periode waktu 3X3.</p><p>Contoh menggunakan excel:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/554/0*SXc5JARjsKg50JL4.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/389/0*IwXgcKtk5aD2qg-_.png" /></figure><p><strong>Ukuran Standar Ketepatan Peramalan</strong></p><p>Rata-rata kuadrat eror (Mean of Square Error: MSE) adalah salah satu metrik yang digunakan untuk mengukur ketepatan permalan. Ukuran ini menunjukkan kecocokan suatu model terhadap data historis. Kurang tepat digunakan untuk membandingkan peramalan antara metode yang berbeda.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/256/0*BCG7VUXuEIdd58YS.png" /></figure><p>Kesimpulannya, <strong>Simple Moving Average (SMA) </strong>dan <strong>Double Moving Average (DMA) </strong>adalah dua metode peramalan yang dapat digunakan dalam berbagai kasus. Masih banyak metode yang dapat digunakan untuk melakukan peramalan, tergantung dari ketersediaan data yang kita miliki.</p><p>Sekian dari saya. Terimakasih</p><p>Visit my page:</p><p><a href="https://dinwaikabu-22883.medium.com/implementasi-simple-moving-average-dan-double-moving-average-dalam-meralamalkan-creation-data-error-6e28bfc1999d">https://dinwaikabu-22883.medium.com/implementasi-simple-moving-average-dan-double-moving-average-dalam-meralamalkan-creation-data-error-6e28bfc1999d</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=b4d6cc636c2e" width="1" height="1" alt=""><hr><p><a href="https://medium.com/cimbniaga-data-community/implementasi-simple-moving-average-dan-double-moving-average-dalam-meramalkan-creation-data-error-b4d6cc636c2e">Implementasi Simple Moving Average dan Double Moving Average dalam Meramalkan Creation Data Error</a> was originally published in <a href="https://medium.com/cimbniaga-data-community">CIMB Niaga Data Community</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Machine Learning Application in Auditing]]></title>
            <link>https://medium.com/cimbniaga-data-community/machine-learning-application-in-auditing-c8d5aa23da01?source=rss----51fc023cec28---4</link>
            <guid isPermaLink="false">https://medium.com/p/c8d5aa23da01</guid>
            <dc:creator><![CDATA[CIMB Niaga's Data Community]]></dc:creator>
            <pubDate>Tue, 28 Feb 2023 08:39:39 GMT</pubDate>
            <atom:updated>2023-02-28T08:39:39.784Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/409/1*M7nM2JpRI8SFbVwwUEj_bA.png" /></figure><p>Hi! Devi and Bas here. We are Data Scientists from Corporate Assurance CIMB Niaga. We would like to share how we use machine learning approach to help our auditors in their audit activities.</p><p><strong>Intro</strong></p><p>Machine learning is a rapidly growing field that is transforming many industries, including the banking industry. Machine learning is a branch of Artificial Intelligence that makes computers learn and make predictions or decisions without explicit programming by the programmer. It’s about feeding the computer a huge amount of data to identify the patterns and relationships within that data.</p><p>Data Analytics Team from Corporate Assurance Group (GCA) has been developing and using machine learning models in its activities, such as Continuous Auditing (CA). CA is a method used by auditors to perform audit-related activities on a more continuous or continual basis. Every month, the machine learning models are scheduled to run and generate anomalies discovered in the data. Those anomalies will then be analyzed and validated by the auditors.</p><p><strong>Machine Learning Applications in GCA</strong></p><p>In GCA, the machine learning approach is highly recommended to be used in monitoring business processes or products that have high dimensional and dynamic data. These characters are hard to keep up with when we use a rule-based approach because the rules of parameters need to be maintained more frequently. Examples of banking products with dynamic data are loans, savings, and deposits. These products have lots of new product types and program campaigns released regularly, and most importantly, they are highly sensitive to changes in interest rates caused by central bank regulation.</p><p>Let us focus on loan products, specifically mortgages. A mortgage is a type of loan used to purchase or maintain a home, land, or other types of real estate. By using machine learning, we can identify anomalies in mortgage rates. First, we need to identify some significant features that affect mortgage rates. They are:</p><ul><li><strong>Mortgage term</strong>. It refers to how long you’ll be paying off your loan. The longer term you take, the higher the interest rates typically.</li><li><strong>Product type</strong>. There are basically two groups of products related to interest rates. They are fixed and floating. This will determine whether the interest rate could change over the life of the loan or not. In CIMB, the products are varied not only fixed or floating, but even a combination of both.</li><li><strong>Booking date</strong>. There will always be program campaigns released to give the best options for customers. These campaigns will give customers competitive interest rates, so sometimes the combination of product type and booking date could give us information about what program the customers are in.</li></ul><p>The above features will then be combined with other information to predict the interest rate for each mortgage account. Machine learning will learn the pattern of data based on the characteristics of features determined before. Regression algorithms would be good for this project. In the development phase, lots of algorithms will be tested and evaluated before we decide on the final model for production. Common metrics used to measure model performance are <strong>Mean Absolute Error (MAE), Mean Squared Error (MSE), Root Mean Squared Error (RMSE)</strong>, coefficient of determination or R-squared and so on. Beside these metrics, the analysis and validation results by auditors as users would also be important to determine model performance.</p><p>Once the final model is decided and stored in production, the machine learning prediction result is generated. It will be compared with the actual rate. The difference will be categorized into some tier categories. The auditor will start the validation from the higher tier. This machine learning result helps auditors easily point out data anomalies. As regression is part of supervised learning, it is much easier to understand what makes certain data points different from their population. This is an important role for the data scientist in communicating machine learning results to users.</p><p><strong>Python Implementation</strong></p><p>Now let’s do the code using python. First, we need to know our data structure and information. Take a look at some small sample data (dummy data).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/262/1*5ScfvpL-b0oh6x85W1ayIQ.png" /></figure><p>Import libraries needed.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/436/1*tFnMwy9cJV5RTZQRnM0HnQ.png" /></figure><p>Transform Booking Date information into month and year. As mentioned above month and year booking will provide information about campaign program customers in.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/623/1*-0O0NXu5KGlaXXzuL4Q8mA.png" /></figure><p>Here is transformation result:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/325/1*jo7unCjjocv4FYd6AXCqTQ.png" /></figure><p>The next step is to do <strong>OneHotEncoding </strong>for columns ‘Product Type’, ‘Month Open’, ‘Year Open’. This is intended to transform these categorical data into numerical data. Here is the following syntax.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/624/1*HApdUrRy8RB00JvhYRl4Gg.png" /></figure><p>The results of the syntax above are as follows:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/624/1*g3NwYT-vVLiXAgZ7XyTvSw.png" /></figure><p>Split data into train and test data. After that, we can start the modeling process. Begin by separating the features and labels for each train and test.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/303/1*6djbeqS0n7kdR510G5es9A.png" /></figure><p>Train the machine learning model (we use the Decision Tree algorithm for the example) with syntax:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/242/1*II5MOZbvggDJSRtTWVFIZA.png" /></figure><p>After the model is created, predict the interest rate from the data test that has been prepared before.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/278/1*qDIab2-TV8agUkiuA5K2Nw.png" /></figure><p>Here is the prediction results</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/501/1*8vvQp4lheStLx8fyg3UdYg.png" /></figure><p>To determine whether the model is good or not, we will measure several parameters such as Mean Absolute Error (MAE), Mean Squared Error (MSE), Root Mean Squared Error (RMSE), and coefficient of determination or R-squared.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/571/1*TfFhDPOaaiQurkoOXg27NQ.png" /></figure><p>Here are the results.</p><pre>MAE : 0.1164<br>MSE : 0.0837<br>RMSE : 0.2893<br>R2 : 0.9759</pre><p><strong>Conclusion</strong></p><p>In monitoring activities, it is indeed important to understand and keep up with all the changes and new things coming in business. A machine learning approach is a good option to consider when dealing with high-dimensional and dynamic data. A good machine learning model is not only determined by good evaluation metrics scores but also based on its users’ evaluations. One thing to be sure is false positive data are inevitable. Regular model improvement is needed to gradually improve its accuracy.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=c8d5aa23da01" width="1" height="1" alt=""><hr><p><a href="https://medium.com/cimbniaga-data-community/machine-learning-application-in-auditing-c8d5aa23da01">Machine Learning Application in Auditing</a> was originally published in <a href="https://medium.com/cimbniaga-data-community">CIMB Niaga Data Community</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Empat Poin Utama dalam UU Pelindungan Data Pribadi]]></title>
            <link>https://medium.com/cimbniaga-data-community/empat-poin-utama-dalam-uu-pelindungan-data-pribadi-3c90e24148d2?source=rss----51fc023cec28---4</link>
            <guid isPermaLink="false">https://medium.com/p/3c90e24148d2</guid>
            <dc:creator><![CDATA[CIMB Niaga's Data Community]]></dc:creator>
            <pubDate>Wed, 28 Dec 2022 07:48:52 GMT</pubDate>
            <atom:updated>2022-12-28T07:32:32.962Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/624/1*fH4Ocm4x84IFEXu6w5SnFA.png" /><figcaption>Ilustrasi Gambar</figcaption></figure><p>Perkenalkan, saya Ivan Mamahit, bagian dari tim <em>Corporate Assurance</em> di CIMB Niaga. Saya berperan sebagai salah satu <em>Centre of Excellence</em> dalam bidang <em>Cyber Security</em>. Pada kesempatan ini saya akan berbagi mengenai empat poin paling krusial yang perlu diperhatikan dalam UU Pelindungan Data Pribadi.</p><ol><li>Definisi Data Pribadi</li></ol><p>Data tentang orang perseorangan yang teridentifikasi atau dapat diidentifikasi secara tersendiri atau dikombinasi dengan informasi lainnya baik secara langsung maupun tidak langsung melalui sistem elektronik atau non-elektronik.</p><p>Berdasarkan UU PDP pasal 4, Data Pribadi terdiri atas:</p><p>· Data Pribadi yang bersifat umum, yaitu: nama lengkap, jenis kelamin, kewarganegaraan, agama, status pernikahan, dan/atau Data Pribadi yang dikombinasikan untuk mengidentifikasi seseorang.</p><p>· Data Pribadi yang bersifat spesifik, yaitu: data dan informasi kesehatan, data <em>biometric</em>, data genetika, catatan kejahatan, data anak, data keuangan pribadi, dan/atau data lainnya sesuai dengan ketentuan peraturan perundang-undangan.</p><p>Dengan memahami perbedaan Data Pribadi, organisasi dapat lebih fokus dalam menerapkan skema pelindungan data berdasarkan skala prioritas. Misalnya dalam proses Record of Processing Activity (ROPA), Privacy Impact Assessment/Data Protection Impact Assessment (PIA/DPIA) maupun Third Party Risk Assessment.</p><p>2. Periode berlakunya UU Pelindungan Data Pribadi</p><p>· UU Pelindungan Data Pribadi telah disahkan pertanggal 17 Oktober 2022.</p><p>· Selain itu, pada pasal 74 disebutkan bahwa pihak Pengendali Data Pribadi, Prosesor Data Pribadi, dan pihak lain yang terkait dengan pemrosesan Data Pribadi diberikan waktu untuk menyesuaikan dengan ketentuan pemrosesan yang diatur dalam UU PDP paling lama <strong>2 (dua) tahun</strong> sejak UU PDP ini diundangkan.</p><p>Namun demikian, tidak menutup kemungkinan organisasi terjerat pasal pidana apabila terjadi kasus pelanggaran pelindungan Data Pribadi yang serius sebelum masa 2 tahun penyesuaian berakhir.</p><p>3. Hak Subjek Data Pribadi</p><p>Hal ini diatur dalam UU PDP Pasal 5 — Pasal 15:</p><p>· Berhak mendapatkan informasi tentang kejelasan identitas, dasar kepentingan hukum, tujuan permintaan dan penggunaan Data Pribadi, dan akuntabilitas pihak yang meminta Data Pribadi</p><p>· Melengkapi, memperbarui, dan/atau memperbaiki kesalahan dan/atau ketidakakuratan Data Pribadi tentang dirinya</p><p>· Mendapatkan akses dan memperoleh Salinan Data Pribadi tentang dirinya</p><p>· Mengakhiri pemrosesan, menghapus, dan/atau memusnahkan Data Pribadi tentang dirinya</p><p>· Menarik kembali persetujuan pemrosesan Data Pribadi tentang dirinya</p><p>· Mengajukan keberatan atas tindakan pengambilan keputusan yang hanya didasarkan pada pemrosesan secara otomatis</p><p>· Menunda atau membatasi pemrosesan Data Pribadi</p><p>· Menggugat dan menerima ganti rugi atas pelanggaran pemrosesan Data Pribadi tentang dirinya</p><p>· Mendapatkan dan/atau menggunakan Data Pribadi tentang dirinya</p><p>· Menggunakan dan mengirimkan Data Pribadi tentang dirinya ke Pengendali Data Pribadi lainnya</p><p>4. Kewajiban Pengendali Data Pribadi</p><p>Hal ini diatur dalam UU PDP Pasal 19 — Pasal 49:</p><ul><li>Mempunyai <em>legal basis</em></li><li>Menyampaikan informasi (legalitas, tujuan, retensi, dll)</li><li>Memberikan akses</li><li>Memperbarui dan/atau memperbaiki ketidakakuratan</li><li>Mengakhiri, menghapus, dan/atau memusnahkan Data Pribadi</li><li>Menghentikan pemrosesan jika subjek data menarik kembali persetujuan</li><li>Menyampaikan pemberitahuan secara tertulis jika terjadi kegagalan dalam pemrosesan Data Pribadi</li><li>Menunda atau membatasi pemrosesan</li><li>Melindungi dan memastikan keamanan pemrosesan</li></ul><p>Di luar itu, perlu juga dipahami kewajiban prosesor Data Pribadi (Data Processor) dan bentuk kerjasama seperti Joint Data Controller.</p><p><strong>Penutup</strong></p><p>Dengan disahkannya UU Perlindungan Data Pribadi, semoga tulisan singkat ini dapat membantu pembaca untuk memahami poin-poin utama dalam UU Pelindungan Data Pribadi. Mohon maaf apabila terdapat kesalahan dalam penulisan artikel ini.</p><p><strong>Referensi</strong></p><p>Download UU Pelindungan Data Pribadi (UU #27 tahun 2022)</p><p><a href="https://peraturan.bpk.go.id/Home/Details/229798/uu-no-27-tahun-2022">https://peraturan.bpk.go.id/Home/Details/229798/uu-no-27-tahun-2022</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=3c90e24148d2" width="1" height="1" alt=""><hr><p><a href="https://medium.com/cimbniaga-data-community/empat-poin-utama-dalam-uu-pelindungan-data-pribadi-3c90e24148d2">Empat Poin Utama dalam UU Pelindungan Data Pribadi</a> was originally published in <a href="https://medium.com/cimbniaga-data-community">CIMB Niaga Data Community</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Pentingnya Data Model Dalam Manajemen Data]]></title>
            <link>https://medium.com/cimbniaga-data-community/pentingnya-data-model-dalam-manajemen-data-ecfbc65a7886?source=rss----51fc023cec28---4</link>
            <guid isPermaLink="false">https://medium.com/p/ecfbc65a7886</guid>
            <dc:creator><![CDATA[CIMB Niaga's Data Community]]></dc:creator>
            <pubDate>Wed, 30 Nov 2022 05:02:09 GMT</pubDate>
            <atom:updated>2022-11-30T04:59:00.167Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/624/1*JnJoBCo8grQQ_D5VcuDZRw.png" /></figure><p>Halo. Nama saya Nova Setyo Herdiyanto. Saya bagian dari team Data Management CIMB Niaga dan role saya sebagai Data Management Project Lead. Pada kesempatan ini, saya ingin berbagi tentang “Data Modeling”.</p><p>Mungkin kita pernah mengalami suatu hal di mana kita ingin membuat suatu laporan atau ingin mengolah suatu data namun kita tidak mempunyai informasi dari mana data tersebut harus diambil, dari table apa, apa saja field-nya, dan bagaimana struktur data-nya (metadata). Kasus lainnya, mungkin kita juga pernah ingin memodifikasi suatu database misalnya data pembelian barang, namun kita harus mencari hubungan antar table data yang kita akan modifikasi tersebut akan ter-<em>impact</em> ke database mana saja.</p><p>Kendala itu mungkin seringkali dialami oleh developer, business analyst, IT, business unit, dan lainnya. Biasanya untuk memulai kita harus berdiskusi dengan tim yang memaintain data (data owner), IT, atau beberapa pihak lainnya, namun seringkali hal ini harus terjadi beberapa kali pertemuan dikarenakan tim tersebut tidak memiliki dokumentasi berupa struktur table (metadata) dan korelasi antar table yang dibutuhkan. Jadi alangkah baiknya jika memiliki suatu dokumentasi yang berisi data model dari struktur database yang ada, sehingga user yang membutuhkan mudah untuk mendapatkan informasi dalam bentuk diagram data model.</p><p>Untuk kasus-kasus tersebut (membuat laporan, mengolah data), kita bisa memulai dari pembuatan suatu data model (pemodelan data). Jadi apa definisi Data Model itu? Data Model adalah proses pembuatan visualisasi diagram data yang diambil dari satu atau lebih database dan menghubungkan elemen-elemen yang ada di dalamnya seperti table-table dan field data sehingga apabila dieksekusi akan menghasilkan informasi penting berupa data yang bisa dijadikan referensi dan di analisis oleh pengguna.</p><p>Beberapa hal yang menjadikan pentingnya data model adalah:</p><p>1. Menampilkan representasi visual dari objek database seperti tabel relasional, <em>field, primary key, index</em> dari sebuah sistem, sehingga informasi teknis yang kompleks dapat dikomunikasikan kepada orang non-teknis dengan jelas dan mudah. (Seperti pepatah “<em>A picture is worth a thousand words”)</em></p><p>2. Meminimalisasi risiko dan kerumitan dalam memproses dan integrasi data terutama organisasi yang memiliki database yang besar.</p><p>3. Mendukung manajemen data yang baik sehingga pengguna mudah untuk mengakses informasi penting yang diperlukan dari database yang akan diakses dan tidak memerlukan waktu yang lama karena harus berdiskusi yang berulang untuk mendapatkan informasi data.</p><p>4. Mengurangi biaya dalam konteks “<em>early error detection</em>” karena akan bisa mendeteksi error di tahap awal sehingga mudah untuk memperbaiki suatu proses data, dibandingkan saat suatu proses data sudah diimplementasikan dan dipergunakan oleh para pengguna.</p><p>5. Mendukung proses kolaborasi dan komunikasi antar pengguna dengan dapat saling “<em>share</em>” data model yang sudah dibuat atau akan dimodifikasi sebelum data model diimplementasikan.</p><p>6. Mendukung proses pemeliharaan dan <em>upgrade </em>infrastruktur database suatu aplikasi menjadi lebih murah dan lebih cepat.</p><p>Beberapa perspektif dari data model:</p><p>1. Data Model Konseptual, dalam model ini akan membentuk suatu Diagram Relasi antar Entitas atau ERD yang lebih sederhana di mana kita akan menggambarkan entitas-entitas yang nantinya akan ada dalam suatu database serta relasinya antar entitas, tujuan model ini menentukan dan mendefinisikan konsep bisnis.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/624/1*hSt-8UzD1Hv4V6V1puVSIQ.png" /><figcaption>Gambar. Data Model Konseptual</figcaption></figure><p>2. Data Model Logikal, dalam model ini akan dianalisis lebih lanjut untuk entitas, atribut, dan relasi yang telah ditentukan di tahap konseptual untuk bisa diterjemahkan menjadi suatu relasi database yang memiliki entitas dan atribut. Pada tahap ini telah didesain <em>Key Attribute</em> untuk penentuan <em>Primary key (PK), Foreign Key (FK)</em> sebagai penghubung antar table.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/624/1*tfuNRHPSDc-kzvM0XEVyHw.png" /><figcaption>Gambar. Data Model Logikal</figcaption></figure><p>3. Data Model Fisikal, dalam model ini table relasi database lengkap yang sudah terbentuk akan diterjemahkan dalam struktur ERD yang lebih lengkap lagi beserta tipe data, dan setiap entitas akan diterjemahkan dalam suatu definisi yang lebih spesifik (contoh: Product Description menjadi Prod_Desc dengan tipe Varchar (60), Customer Address menjadi Cust_Addr dengan tipe Varchar (250)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/624/1*7pAa7W89anUFm5vlKnHU6g.png" /><figcaption>Gambar. Data Model Fisikal</figcaption></figure><p>Untuk mempermudah dalam pembuatan suatu data model, saat ini banyak data modeling tool yang beredar dan telah banyak digunakan oleh organisasi kecil maupun besar.</p><p>Beberapa hal yang akan dimudahkan apabila kita memiliki data modeling tool, diantaranya sebagai berikut:</p><p>1. Mempermudah dalam pembuatan Entity Relationship Diagram (ERD), untuk melakukan edit dan perubahan sesuai dengan kebutuhan pengguna.</p><p>2. Dapat terkoneksi ke database source untuk <em>capture</em> struktur data dalam suatu database yang terhubung (metadata), misalnya: table, <em>field</em>, tipe data.</p><p>3. Untuk membuat data model juga dapat meng-impor dari data model yang sudah ada.</p><p>4. Bisa dipergunakan untuk <em>client based</em> maupun <em>enterprise</em>. Khusus untuk <em>Enterprise Data Modeling</em> beberapa keunggulannya adalah dapat dipergunakan untuk kolaborasi antar pengguna dalam pembuatan suatu data model, termasuk otomatis update terhadap <em>versioning</em> data model yang sedang dipergunakan, memiliki <em>repository </em>terpusat sehingga mudah dalam maintain dan akses suatu data model oleh para pengguna.</p><p>5. Dapat men-<em>generate</em> secara otomatis suatu diagram data model menjadi suatu <em>Data Definition Language (DDL)</em> <em>script </em>untuk dieksekusi lebih lanjut menjadi tabel dan objek database lainnya.</p><p>6. Mencari dan menelusuri metadata model untuk menemukan objek tertentu (<em>table</em>, <em>field</em>, <em>index</em> dll.) dalam diagram menjadi lebih mudah dan cepat, menghemat waktu <em>data modeler </em>dan <em>data analyst</em> yang sebelumnya harus secara manual mengidentifikasi setiap objek dalam diagram yang rumit.</p><p>7. Menjamin keseragaman dalam konvensi penamaan, nilai <em>default</em>, tipe data <em>default</em>, dll., sehingga struktur objek (<em>table</em>, <em>field</em>, <em>index</em> dll.) memiliki standarisasi yang konsisten dalam database yang membuat struktur objek lebih mudah dibaca dan lebih dimengerti.</p><p>Demikian gambaran singkat terkait dengan data model, semoga berguna bagi pembaca.</p><p>Referensi:</p><ul><li><a href="https://hevodata.com/learn/data-modeling-tools/">Top 10 Powerful Data Modeling Tools in 2022 - Learn | Hevo</a></li><li><a href="https://algorit.ma/blog/manfaat-data-modeling-2022/">4 Manfaat Data Modeling dalam Data Science</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=ecfbc65a7886" width="1" height="1" alt=""><hr><p><a href="https://medium.com/cimbniaga-data-community/pentingnya-data-model-dalam-manajemen-data-ecfbc65a7886">Pentingnya Data Model Dalam Manajemen Data</a> was originally published in <a href="https://medium.com/cimbniaga-data-community">CIMB Niaga Data Community</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Empat Faktor Sukses dalam Program Implementasi Pelindungan Data Pribadi]]></title>
            <link>https://medium.com/cimbniaga-data-community/empat-faktor-sukses-dalam-program-implementasi-pelindungan-data-pribadi-c5671c8e8fb9?source=rss----51fc023cec28---4</link>
            <guid isPermaLink="false">https://medium.com/p/c5671c8e8fb9</guid>
            <dc:creator><![CDATA[CIMB Niaga's Data Community]]></dc:creator>
            <pubDate>Mon, 31 Oct 2022 07:35:22 GMT</pubDate>
            <atom:updated>2022-10-31T09:29:06.602Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*SiavKbAcM9uvVKRJoccBAw.jpeg" /></figure><p>Perkenalkan saya Haga Nurikhsan, bagian dari keluarga Data Management di CIMB Niaga. Saya berperan sebagai Project Manager dari Data Privacy Program di Bank kami. Melalui artikel singkat ini saya akan berbagi pandangan mengenai implementasi Pelindungan Data Pribadi (“PDP”) menghadap Undang-undang nomor 27 yang disahkan oleh DPR beberapa waktu lalu.</p><p><em>Rewards</em> dari suksesnya sebuah strategi Data Privacy sangatlah jelas. Namun, kenyataannya sekitar 85% dari proyek data berujung dengan kegagalan dan sebagian besar perusahaan melakukan perubahan strategi manajemen data setiap 3 tahun. Implementasi PDP merupakan proyek yang sangat menantang karena merupakan hal yang cenderung baru di Indonesia. Berikut adalah empat faktor yang menurut saya merupakan aspek penting berdasarkan pengalaman saya dalam implementasi PDP.</p><p><strong>1.</strong> <strong>Melibatkan Setiap Unit yang relevan sejak awal</strong></p><p>PDP memiliki kompleksitas yang tinggi dan memerlukan peran aktif dari seluruh lini bisnis dan pendukung agar program kerja dapat dijalankan secara efektif sejak awal. Beberapa contoh pihak terkait adalah:</p><p>· Legal dan Compliance: Menginterpretasikan aturan-aturan dan undang-undang serta menentukan <em>requirement </em>yang diperlukan untuk dipatuhi.</p><p>· Risk Management: berperan penting dalam melakukan pengkajian risiko, merencanakan pengembangan kebijakan dan prosedur untuk menanamkan aturan PDP.</p><p>· Information Security: Memberikan kontribusi terkait <em>data security</em> baik itu dalam hal kebijakan, prosedur maupun sistem terkait.</p><p>· Lini bisnis dan unit pendukung: Sebagai <em>business owner</em>, peran bisnis sangat penting untuk mengidentifikasi proses, produk, maupun sistem yang membutuhkan pengembangan untuk dapat memenuhi ketentuan PDP, seperti penerapan manajemen persetujuan (Consent Management) di Digital dan Non-digital Channel. Untuk mempermudah koordinasi dengan Unit Bisnis, dapat dilakukan dengan melakukan penunjukkan <em>person-in-charge </em>(PIC) sebagai koordinator masing-masing unit.</p><p>· Komunikasi Internal: Di samping implementasi yang tepat, hal lain yang perlu menjadi fokus adalah kesadaran terkait PDP ke setiap elemen suatu organisasi. Sebagai awalan, hal ini dapat dilakukan menggunakan kanal internal, seperti <em>email blast, desktop wallpaper</em> yang menampilkan topik-topik PDP. Hal ini akan membantu meningkatkan kesadaran akan pentingnya penerapan PDP.</p><p><strong>2.</strong> <strong>Dimulai dari Kebijakan Privasi sebagai bagian fundamental</strong></p><p>Implementasi PDP tidak jauh dari penerapan kontrol yang efektif. Sebuah kontrol yang efektif umumnya memiliki desain yang mumpuni. Hal ini juga berlaku dalam implementasi program PDP. Dalam hal ini, kebijakan dan prosedur merupakan hal fundamental yang harus menjadi fokus awal penerapan PDP. Kebijakan dan prosedur merupakan “rumah” dari undang-undang yang diterapkan pada suatu organisasi. Kebijakan dan prosedur yang matang akan menentukan keberhasilan implementasi area lainnya.</p><p><strong>3.</strong> <strong>Belajar dari implementasi PDP di wilayah lain</strong></p><p>Meskipun data pribadi sudah memiliki beberapa aturan pelindungan sebelumnya, UU PDP merupakan undang-undang baru di Indonesia. UU PDP menggunakan General Data Protection Regulation (GDPR) sebagai salah satu referensi perancangan. Kami perhatikan, masih sangat terbatas <em>local expertise</em> yang memiliki pengalaman dalam implementasi PDP di Indonesia. Oleh karena itu, ada beberapa cara untuk dapat meningkatkan tingkat keberhasilan implementasi PDP, diantaranya adalah:</p><p>1. Apabila organisasi anda memiliki “entitas tetangga” yang telah memiliki aturan PDP lebih awal dari Indonesia, misalnya Thailand, Singapura, atau Malaysia, lakukan <em>sharing session</em> untuk mempelajari implementasi PDP di negara tersebut, termasuk <em>key success factors </em>dan <em>common pitfall </em>dari pengalaman mereka.</p><p>2. Apabila anda menggunakan jasa konsultansi untuk menjalankan program PDP, dan merupakan jasa konsultansi tersebut memiliki regional ataupun Subject Matter Expert (SME) dari wilayah yang telah memiliki peraturan PDP lebih awal, libatkan mereka dalam proyek, setidaknya mengadakan tukar pikiran, seminar atau <em>workshop </em>untuk mendapatkan gambaran nyata dari implementasi yang pernah dilakukan sebelumnya.</p><p><strong>4.</strong> <strong>Mengimplementasikan Privacy Management Systems</strong></p><p>Meskipun secara eksplisit undang-undang tidak mewajibkan organisasi untuk menggunakan sistem dalam implementasi PDP, hal ini dapat membantu organisasi dalam meningkatkan efektivitas dan sustainabilitas penerapan pada masa yang akan datang. Sebagai contoh berikut adalah area PDP yang dapat ditunjang oleh sistem:</p><p>· Kebijakan dan prosedur: <em>Repository</em>, proses reviu berkala atas kebijakan dan prosedur termasuk <em>monitoring­</em>-nya</p><p>· Perekaman aktivitas pemrosesan (<em>Records of Processing Activities</em>): <em>Repository</em>, proses pengisian dan reviu aktivitas pemrosesan termasuk <em>monitoring-</em>nya</p><p>· Pengkajian dampak privasi (<em>Privacy Impact Assessment</em>): <em>Repository</em>, proses pengkajian risiko, penentuan <em>action plan</em>, <em>monitoring </em>dan penilaian tingkat risiko</p><p>· Manajemen risiko pihak ketiga (<em>Third-party Risk Management</em>): <em>Repository</em>, proses pengkajian risiko pihak ketiga, integrasi dengan sistem pengadaan atau manajemen pihak ketiga</p><p>· Manajemen persetujuan (<em>Consent Management</em>): <em>Repository</em> persetujuan subyek data, integrasi dengan proses bisnis yang membutuhkan persetujuan</p><p>· Manajemen insiden dan kebocoran data (<em>Incident and Breach Management</em>): <em>Repository</em>, integrasi dengan sistem perlindungan data ketika terjadi insiden dan/atau <em>data breach</em>.</p><p>· Pemenuhan hak subyek data (<em>Data Subject Access Request)</em>: <em>Repository </em>dan monitoring permintaan hak akses, integrasi dengan sistem untuk pemenuhan permintaan.</p><p><strong>Penutup</strong></p><p>Dengan disahkannya Undang-undang PDP serta maraknya informasi dan berita yang membahas hal ini akan meningkatkan kesadaran masyarakan akan pentingnya memiliki pelindungan atas data pribadi. Semoga dengan tulisan singkat ini dapat membantu pembaca dalam mengimplementasi atau setidaknya memahami seperti apa pendekatan yang efektif untuk menjalankan sebuah program pelindungan data. Saya sangat apresiasi apabila ada saran dan masukan dan mohon maaf apabila terdapat kesalahan dalam penulisan artikel ini. Terima kasih!</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=c5671c8e8fb9" width="1" height="1" alt=""><hr><p><a href="https://medium.com/cimbniaga-data-community/empat-faktor-sukses-dalam-program-implementasi-pelindungan-data-pribadi-c5671c8e8fb9">Empat Faktor Sukses dalam Program Implementasi Pelindungan Data Pribadi</a> was originally published in <a href="https://medium.com/cimbniaga-data-community">CIMB Niaga Data Community</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Identifikasi Data Duplikat Menggunakan Jaro-Winkler Similarity]]></title>
            <link>https://medium.com/cimbniaga-data-community/identifikasi-data-duplikat-menggunakan-jaro-winkler-similarity-ea9168cd4e4e?source=rss----51fc023cec28---4</link>
            <guid isPermaLink="false">https://medium.com/p/ea9168cd4e4e</guid>
            <dc:creator><![CDATA[CIMB Niaga's Data Community]]></dc:creator>
            <pubDate>Tue, 23 Aug 2022 08:24:32 GMT</pubDate>
            <atom:updated>2022-08-23T08:04:28.717Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/870/0*45f2vmSWcg_4xlDj.png" /></figure><p>Perkenalkan saya Din. Saya member of Data Management CIMB Niaga, role saya sebagai <em>Data Quality Monitoring</em>. Pada kesempatan kali ini saya akan <em>share </em>cara identifikasi data duplikat menggunakan Jaro Winkler Similarity.</p><p>Pada umumnya perusahaan besar memiliki banyak sistem, dan setiap sistem yang memiliki kemampuan untuk <em>create </em>data akan mengalami data duplikat dan inkonsistensi data. Dalam keadaan seperti ini, maka data customer tersebut perlu diperbaiki atau di-<em>merge</em>. Karena akan berpengaruh terhadap kualitas dari data. Impact dari kualitas data yang buruk akan berpengaruh terhadap keputusan bisnis, ada istilah <strong><em>garbage in garbage out</em></strong>. Oleh karena itu kualitas data sangat penting untuk dijaga dan terus ditingkatkan.</p><p>Dalam menyelesaikan problem data duplikat, kita dapat menggunakan Jaro Winkler. Jaro Winkler merupakan metode yang digunakan mengukur jarak antara dua string (Jaro, 1989). Nilai Jaro Winkler Similarity di antara 0 sampai 1. Jika nilai Jaro Winkler mendekati 1 maka dua string yang dibandingkan bisa dikatakan sama. Sebaliknya, jika nilai Jaro Winkler Similarity mendekati 0 maka dua string yang dibandingkan tidak ada kesamaan atau berbeda. Berikut ini adalah fungsi atau persamaan untuk menghitung Jaro Winkler Similarity :</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/624/1*0okBj4zUxgZsLKB1Fthmkw.png" /></figure><p>Jaro Similarity</p><p>Dimana :</p><p>m : jumlah karakter yang sama persis dari kedua string</p><p>S1 : panjang string pertama</p><p>S2 :panjang string kedua</p><p>t :Jumlah karakter yang tertukar posisi</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/744/1*O3yFAHFQdDmka0-rQMQtIw.png" /></figure><p>Jaro-Winkler similarity</p><p>Dimana :</p><p>l = panjang awal dari dua string yang memiliki karakter dan urutan yang sama, maksimal 4 karakter</p><p>p = factor skala konstan yang nilainya di antara 0 sampai 0.25. pada umumnya skala yang digunakan 0.1</p><p>Mari kita coba dua rumus diatas dan lihat bagaimana hasilnya. Misalnya seorang customer yang terekam dalam dua system berbeda dan tercatat dengan nama yang berbeda secara penulisan. Kita ingin melakukan sinkronisasi data. Maka hal pertama yang kita lakukan adalah pengecekan apakah customer tersebut orang yang sama atau berbeda.</p><p>S1 = Din W</p><p>S2 = Din Waikabu</p><p>Diketahui: m = 4 , S1 = 4, S2 = 10, t = 0</p><p>Maka : Jaro Similarity = 1/3*(4/4+4/10+(4–0)/4) = 0.8</p><p>Diketahui : l = 4, dan p = 0.1 , Jaro Similarity = 0.8</p><p>Maka : Jaro Winkler Similarity = 0.8 + 4*0.1 (1–0.8) : 0.88</p><p>Dari hasil perhitungan diatas, bisa kita ambil kesimpulan bahwa dua nama tersebut merupakan customer yang sama, karena memiliki skor similarity yang cukup besar. Sebenarnya untuk menentukan apakah dua objek atau karakter disebut sama dan tidak tergantung pada kesepakatan bisnis.</p><p><strong>Implementasi dengan Python</strong></p><p>Sekarang kita coba untuk mendapatkan nilai Jaro Winkler Similarity dengan menggunakan python programming. Kita dapat menggunakan library yang sudah tersedia yaitu ‘jaro-winkler’. Atau bisa membuat sendiri program dengan mengikuti formula diatas. Namun dalam kesempatan ini saya menggunakan library jaro-winkler yang sudah tersedia. Untuk contoh case kali ini, kita akan melakukan pengecekan nama customer (data dummy), untuk mengetahui apakah customer yang ada di list merupakan orang yang sama atau berbeda. Detail data contoh sebagai berikut:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/348/1*hqZZMaPaOQCHDYdx6GOWYw.png" /></figure><p>Hal pertama yang perlu dilakukan adalah install library jaro-winkler.</p><pre>!pip install jaro-winkler</pre><p>Setelah install package, kemudian import library yang diperlukan untuk proses mencari nilai Jaro Winkler.</p><pre>import numpy as np<br>from jaro import jaro_metric, jaro_winkler_metric<br>import pandas as pd</pre><p>Untuk mencari nilai Jaro Winkler menggunakan script berikut.</p><pre>def get_SimilarityScore(data):</pre><pre>data[&#39;Jaro_Winkler_Score&#39;] = [jaro_winkler_metric(x,y) for x, y in zip(data[&#39;Name1&#39;], data[&#39;Name2&#39;])]</pre><pre>data[&#39;jaro_similarity&#39;]= data[&#39;Jaro_Winkler_Score&#39;].round(decimals=2)</pre><pre>data.drop(columns = &#39;Jaro_Winkler_Score&#39;, inplace=True)</pre><pre>return data</pre><p>Setelah itu kita load dataset, dan panggil fungsi ‘get_SimilarityScore’ yang telah dibuat diatas. Scriptnya sebagai berikut.</p><pre>df = pd.read_csv(&#39;MOCK_DATA.csv&#39;)<br> hasil = get_SimilarityScore(df)</pre><p>Hasil yang didapatkan sebagai berikut :</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/419/1*L3ytMjH34AfLCqglQuowNA.png" /></figure><p>Seperti yang terlihat dari hasil diatas pada kolom jaro_similarity, kita dapat menentukan apakah customer tersebut merupakan orang yang sama atau berbeda. Misalnya kita sepakat bahwa yang memiliki nilai jaro_similarity &gt;= 0.85 dapat kita katakan sebagai orang yang sama atau duplikat, dan sebaliknya jika nilai jaro smilarity &lt;0.85 maka bisa kita simpulkan bahwa berbeda atau tidak duplikat. Untuk mengidentifikasi duplikat data kita dapat menggunakan jaro-winkler. Teman-teman dapat mencoba metode lain seperti Lavenshtein distance, dan Cosine-similarity dengan tf-idf untuk mengidentifikasi duplikat data.</p><p>Sekian dari saya. Terimakasih</p><p>Visit my page:</p><p><a href="https://dinwaikabu-22883.medium.com/">https://dinwaikabu-22883.medium.com/</a></p><p>Referensi:</p><p>Felix Nauman dan Melanie Herschel. An Introduction to Duplicate Detection</p><p><a href="https://pypi.org/project/jaro-winkler/">https://pypi.org/project/jaro-winkler/</a></p><p><a href="https://www.mockaroo.com/">https://www.mockaroo.com/</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=ea9168cd4e4e" width="1" height="1" alt=""><hr><p><a href="https://medium.com/cimbniaga-data-community/identifikasi-data-duplikat-menggunakan-jaro-winkler-similarity-ea9168cd4e4e">Identifikasi Data Duplikat Menggunakan Jaro-Winkler Similarity</a> was originally published in <a href="https://medium.com/cimbniaga-data-community">CIMB Niaga Data Community</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
    </channel>
</rss>