ARTIFICIAL INTELLIGENCE

FOR FINANCIAL ADVISOR

D I R E K TO R AT J E N D E R A L P E R I M B A N G A N K E U A N G A N
K E M E N T E R I A N K E U A N G A N

1
OUTLINE
01 Latar Belakang dan Tujuan

02 Perkembangan AIFA

What’s Next?
03

2
 Penerapan Teknologi untuk Perbaikan Kualitas Proses Bisnis
#Top Strategic Technology Trends 2024

Di 2026, generative AI secara signifikan akan

menggantikan 70% dari pembangunan dan design aplikasi
web dan mobile apps.

*) Source
https://www.gartner.com/en/articles/gartner-top-10-strategic-technology-trends-for-2024
3
Implementation of Technology in DGFB
#Artificial Intelligence

Penerapan AI di DJPK (AIFA)

Rules-Based System

• Anomaly Detection dan Data Validation

Natural Language Processing

• Standardisasi data keuangan daerah

• Budget Tagging

Machine Learning

• Forecasting realisasi anggaran (predictive)

• Budget Optimizer (prescriptive)

4
Latar Belakang
Perbedaan Bagan Akun Standar (BAS) di sistem informasi yang digunakan
Pemda sehingga data yang masuk ke Sistem Informasi Keuangan Daerah
(SIKD) di DJPK menjadi bervariasi.

Tujuan
Meningkatkan kualitas pengelolaan keuangan daerah dalam rangka
peningkatan pelayanan publik dan kesejahteraan masyarakat melalui:
• Klasifikasi nomenklatur yang tidak terstandar dari data keuangan
daerah
• Monitoring/tracking dan evaluasi data keuangan daerah secara near
real-time
• Penguatan peran Kemenkeu dalam peningkatan kualitas
pengelolaan keuangan daerah dengan menyediakan benchmark dan
pedoman terkait belanja di daerah

5
 Pengembangan Tata Kelola SIKD-AIFA

• DJPK berkolaborasi dengan experts untuk

pengembangan metodologi AI
• DJPK mempunyai Portal Data APBD (open datasets)

• SIKD membangun interkoneksi dengan Pemda secara

real-time dan online
• Kemenkeu mempunyai SLDK (Sistem Layanan Data
Kemenkeu)

PMK No. 67 & 97 Tahun 2023 telah menggunakan data

hasil data analytics terkait budget tagging (stunting,
kemiskinan ekstrem, dan inflasi)

Kemenkeu mempunyai Data Analytics Community of

Practice (MoF-DAC) dan diklat terkait Data Analytics

DJPK mulai 2023 telah mengikuti even dari OECD yang

mendiskusikan terkait pengembangan AI di sektor publik

6
 Transformasi SIKD
Penyampaian Implementasi Implementasi SIKD Interkoneksi Data SIKD Next Generation
Informasi Keuangan KOMANDAN SIKD Core dan agen Transaksi
Daerah (IKD) secara SINERGI Pemerintah Daerah
manual

Sebelum 2010 2010-2014 2015-2018 2019-2023 next

• Penerbitan Peraturan • Penerbitan PMK 04 • Penerbitan PMK 74 • Penerbitan PMK 231 • Penerbitan UU Nomor Tahun
Pemerintah (PP) Nomor Tahun 2011 tentang Tahun 2016 tentang Tahun 2020 tentang Tata 2022 tentang Hubungan
56 Tahun 2005 tentang Tata Cara Penyampaian Penyelenggaraan SIKD. Cara Penyampaian IKD, Keuangan antara
Sistem Informasi IKD Laporan Bulanan, dan Pemerintah Pusat dan
• Implementasi Aplikasi Pemerintahan Daerah.
Keuangan Daerah laporan Pemda Lainnya
• Implementasi Aplikasi SIKD Core dan agen
sebagaimana diubah (pengganti PMK 04) dan • Perluasan peran SIKD
Komunikasi dan tunggal yaitu agen
terakhir dengan PP 65 PMK 24 Tahun 2020 sebagai sistem informasi
Manajemen Data Sistem Informasi
Tahun 2010. tentang Perubahan PMK konsolidasi kebijakan fiskal
Nasional (KOMANDAN) Berbasi Teknologi
• Data disampaikan (SINERGI). 74 tahun 2016. nasional berbasis platform
SIKD
Pemda secara manual • Interkoneksi data APBD, digital.
• Pengembangan aplikasi • Penggunaan teknologi
dalam bentuk hardcopy Jurnal, dan DTH/RTH near • SIKD Next Generation akan
penghubung (agen) oleh web-service dalam
real time menggunakan terkoneksi dengan sistem di
Proses manual dengan masing-masing penyampaian data.
mekanisme host-to-host. K/L dan Pemda dalam
pengembang aplikasi
melakukan input pengelolaan keuangan • Mendukung simplifikasi rangka mewujudkan sinergi
dokumen/berkas daerah. pelaporan bulanan Pemda. kebijakan fiskal nasional.
Pemerintah Daerah menyampaikan data dalam bentuk
hardcopy hardcopy dan softcopy
Fokus pada Pengumpulan Data Fokus pada Pemanfaatan Data
7
Problems Solving Menggunakan SSM (softsytem meto
Strukturisasi Permasalahan untuk merumuskan solusi yang FEASIBLE & DESIRABLE adalah kunci agar
inovasi dapat implementatif dan impactful

Tujuh Tahapan SSM dari Checkland (1990)

TAKING
1. The problem 7. Action to solve the ACTION
situation: problem or improve
unstructured the situation
6. Definition of
FINDING
feasible & desirable
OUT
changes
2. The problem 5. Comparison of 4
situation: expressed with 2 EVALUATING
MODELS
Real World Thinking

Systems Thinking BUILDING

MODELS
3. Root definition of
4. Conceptual models
relevant systems

8
Pembangunan Model Konseptual

Aktivitas dalam Kondisi Eksisting Model Konseptual untuk Perbaikan

1 Pemilik Data 1 Pemilik Data 1a

menyampaikan menyampaikan Data anomaly
data ke sistem data ke sistem detection secara
otomatis

2 4 2
Unit data Pimpinan mengambil Unit data 4
mengolah data keputusan/kebijakan mengolah data Pimpinan mengambil
dengan melakukan berdasarkan data yang yang lebih valid keputusan/kebijakan
input manual lag-nya lama secara otomatis berdasarkan data yang
relevan

3 3 Unit data 4a
Unit data melakukan publikasi data Memberikan feedback
melakukan
dalam waktu yang relatif lama kepada pemilik data
publikasi data
karena data tidak terstandardisasi berupa saran-saran
dalam waktu yang
dan ada isu validitas data perbaikan berdasarkan
relatif cepat data yang dikirimkan

9
AIFA V.1
2020 10
AIFA V.1
Cakupan
Penyediaan input pada tiga indikator:
• Kinerja pendapatan dan belanja daerah
• Forecasting realisasi pendapatan dan
belanja
• Data anomaly detection

Methodology

Text Classification Data Analytics

• SQL Query (rule-based • Clustering Analysis menggunakan K-means

model) Algorithm
• Forecasting menggunakan Exponential
Smoothing
• Data anomaly detection menggunakan
Benford’s Law
11
AIFA V.1 - Evaluasi

EFFECTIVENESS EFFICIENCY

Berdasarkan hasil evaluasi, AIFA v.1 diutilisasi oleh 1475 User

Pemerintah Daerah
Permasalahan:
• Text classification menggunakan SQL Query membutuhkan identifikasi yang intens oleh
manusia terkait pembentukan corpus atau kamus kata kunci
• Akurasi tinggi, namun membutuhkan sumber daya manusia dan waktu yang banyak
• Solusi: Machine Learning di AIFA v.2
12
AIFA V.2
2022 13
AIFA V.2
Machine Learning menggunakan Natural Language Programming (NLP) untuk
Standardisasi Nomenklatur Data Keuangan Daerah
NLP

• Text Standardization menggunakan Corpus yang dapat membuat vektorisasi dari Bahasa Indonesia
• Text cleansing untuk menghilangkan non-alphanumeric dan spasi berlebih, serta meniadakan huruf besar
menjadi kecil (lowering case)
• Vektorisasi teks antara database SIKD dan referensi Permendagri 90 Tahun 2019 1).
• Memanfaatkan algoritma kedekatan konteks kata/kalimat dengan suatu klaster kata/kalimat tersebut secara
asosiatif 2).

1. Permendagri 90 Tahun 2019 mengatur mengenai klasifikasi, kodefikasi, dan nomenklatur data keuangan daerah.
2. Cosine Similarity: Metode ini digunakan untuk mengukur kemiripan antara dua teks

14
AIFA V.2 - Tahapan Data Standardization

Text Cleansing di Database

yang bersumber dari data Vektorisasi Referensi
Vektorisasi Teks
Pemda yang disampaikan (Permendagri 90 Tahun 2019)
ke SIKD

Pencarian nomenklatur yang

Data Standardization mempunyai kemiripan tertinggi
berdasarkan Cosine Similarity

15
 AIFA V.2 - Arsitektur

Pemda Interkoneksi Sinergi 5

(db to db) SIKD
(near real-time)

SQL Data Analytics

Upload Data Sinergi 4
(webservice, XML)

Anomaly Detection & Text

Classification

WA-BOT untuk
Dashboard Mobile monitor data
Portal APBD
pipeline
Datawarehouse
SIKRI (Konsolidasi) SLDK

16
AIFA V.2
Pengecekan kembali oleh manusia untuk mengevaluasi
hasil prediksi dari NLP

17
AIFA V.2
Anomaly Detection menggunakan Box-Plots Model – Realisasi APBD Bulanan

18
AIFA V.2
Batas Atas dan Bawah untuk Validasi (Rules-Based) – Realisasi APBD Bulanan
Rule-based model digunakan untuk meningkatkan akurasi karena pola datanya masih bisa terlihat oleh manusia

Pendapatan Belanja
Bulan Bulan
Upper Limit Lower Limit Upper Limit Lower Limit

1 16.00% 0.00% 1 5.00%

2 23.00% 4.00% 2 11.00% Count of month/12 x
3 33.00% 6.00% 3 18.00% gaji dan tunjangan
4 42.00% 9.00% 4 27.00% annual budget of payroll
expenditure
5 52.00% 15.00% 5 38.00%
6 62.00% 22.00% 6 48.00%
7 71.00% 26.00% 7 58.00% 17.00%
8 81.00% 33.00% 8 67.00% 21.00%
9 92.00% 40.00% 9 74.00% 27.00%
10 102.00% 47.00% 10 83.00% 32.00%
11 114.00% 51.00% 11 95.00% 38.00%
12 123.00% 64.00% 12 117.00% 57.00%
19
AIFA V.2
Hasil Box Plot 2022 2023 menunjukkan sebaran data yang lebih baik

20
AIFA V.2
Langkah-langkah Standardisasi Tagging Tematik
Data yang belum
terstandardisasi dari
Pemda disampaikan ke
SIKD
Data anggaran dan
realisasi tematik digunakan
untuk mengukur kinerja
Pemda berkaitan dengan
komitmen anggaran untuk
prioritas Nasional
Data tervalidasi, namun
Data anomaly detection dan nomenklatur masih belum
cek validitas data terstandardisasi sesuai
Permendagri 90/2019
Data yang telah
terstandardisasi Standardisasi nomenklatur
diklasifikasikan berdasarkan agar sesuai dengan
tema tertentu, seperti Permendagri 90/2019
stunting, kemiskinan ekstrem, menggunakan NLP
dan inflasi
21
 AIFA V.2
Analisis Belanja Tematik (Budget Tagging) untuk Sinergi Fiskal Nasional Tahun 2023
PMK Nomor 67 dan 97 Tahun 2023
terkait dengan Insentif Fiskal untuk
Pemda

Evaluasi kinerja tekait komitmen

anggaran Pemda untuk prioritas
Nasional

Insentif Fiskal tahun berjalan

• Penyelarasan belanja daerah dengan prioritas Nasional, seperti

stunting, kemiskinan ekstrem, dan inflasi Intervensi fiskal untuk memperbaiki
• Metodologi analisis dan evaluasi telah dituangkan dalam regulasi untuk
meningkatkan public accountability perilaku belanja di daerah
22
WHAT’S
NEXT?

23
PENYELARASAN KEBIJAKAN FISKAL PUSAT DAN DAERAH MELALUI
HARMONISASI ARAH KEBIJAKAN MAKRO FISKAL PUSAT - DAERAH

Implementasi UU No 1/2022 tentang Hubungan Keuangan antara

Pemerintah Pusat dan Pemerintahan Daerah (HKPD) Sinergi Kebijakan Fiskal Nasional
• Pemberian sumber Penerimaan Daerah berupa Pajak dan Retribusi
• Pengelolaan Transfer Ke Daerah 1 Harmonisasi Belanja Pusat dan
• Pengelolaan belanja daerah Daerah
• Pemberian kewenangan untuk melakukan Pembiayaan Daerah
Penyelarasan kebijakan fiskal pusat
• Pelaksanaan sinergi kebijakan fiskal nasional
2 dan daerah untuk mendorong sinergi
kebijakan fiskal nasional
Strategi Pencapaian Tujuan HKPD
Pengendalian defisit dan utang
3 daerah
Memperkuat Meminimumkan Meningkatkan Harmonisasi
sistem perpajakan ketimpangan kualitas belanja belanja pusat dan Sinergi Bagan Akun Standar untuk
daerah vertikal dan daerah daerah 4 mendorong integrasi dan efektivitas
horizontal
kinerja fiskal nasional

Percepatan pemerataan pelayanan publik dan • Sinergi untuk mendorong pertumbuhan

kesejahteraan masyarakat ekonomi, kesejahteraan dan keberlanjutan
Indikator
fiskal pusat dan daerah
Capaian
PertumbuhanPDRB per Kapita
Kemiskinan IPM • Menjaga pengendalian defisit regional
Ekonomi Gini Rasio

KEMENTERIAN KEUANGAN REPUBLIK INDONESIA

 Pengembangan SIKD-AIFA yang Berkelanjutan untuk
Mendukung Pencapaian Tujuan UU HKPD
Penerapan SIKD – AIFA AIFA Next Generation

Dynamic Tagging
Analytics untuk harmonisasi KEM-PPKF
dengan KUA-PPAS menggunakan
dynamic tagging sesuai dengan
prioritas Nasional
Pemda AIFA
Data analytics
Budget Optimizer (misal
mandatory
Analytics untuk spending)
memberikan
rekomendasi kepada Pemda berupa
SIKD – AIFA memperkuat monev melalui digital platform menggunakan data budget optimizer
analytics untuk analisis, tracking, dan mengevaluasi belanja tematik sesuai
prioritas Nasional di belanja daerah dan Transfer ke Daerah

Statistik Penggunaan SIKD-

SIKD System Optimization
Penggunaan AIFA
AIFA oleh Pemda Penguatan interkoneksi SIKD dengan
sistem lain, termasuk Sinergi BAS
Budget Tagging 331
pendidikan, kesehatan, stunting, kemiskinan 205
ekstrem, inflasi, dll. ALCo MoF 2022
Analisis kinerja keuangan
2023

Monitoring dan
APBD, Forward Looking Data Quality Enhancement
APBD, dll. Total LG Penguatan kualitas data dengan
pelibatan Pemda untuk memverifikasi
Forecasting APBD *) per 31 August 2023 dan mengotorisasi data dalam
rangkat meningkatkan sense of
belonging dari Pemda
25
DIREKTORAT JENDERAL PERIMBANGAN KEUANGAN
 WHAT’S NEXT?
Budget Optimizer untuk Analisis Tematik

• Penyelarasan framework berupa KEM-PPKF di Pemerintah Pusat dengan KUA PPAS di

Pemda

• Penyediaan rekomendasi untuk Pemda mengenai postur anggaran yang efektif dan
impactful untuk mendukung pencapaian prioritas Nasional
26
 WHAT’S NEXT?
Generative AI
• Penguata transparency
terkait data keuangan daerah
melalui open data di Portal
Data APBD

• Masyarakat diharapkan
dapat mengakses dan
“berinteraksi” dengan Portal
Data APBD menggunakan
Generative AI

https://djpk.kemenkeu.go.id/portal/data/apbd

27
Terima Kasih

28