Jalan Panjang Pemanfaatan Big Data

You are here : Home  News & Events

Jalan Panjang Pemanfaatan Big Data

VP IT Digital Enablement Telkomsel Direktur Transformasi Teknologi Informasi dan Komunikasi DJP

Bagi Direktorat Jendral Pajak, big data dimanfaatkan untuk mendeteksi fraud dan meningkatkan layanan. Sementara bagi Telkomsel, big data menjadi sumber pemasukan baru. Big data memang menjanjikan peluang menggiurkan, meski jalan ke sana banyak tantangan.

Suatu hari, seorang pria mendatangi kantor Direktorat Jenderal Pajak (DJP). Pria ini bermaksud melakukan tax amnesty atas sejumlah aset miliknya yang belum dilaporkan di SPT. Belakangan diketahui, kerelaan pria ini melakukan tax amnesty muncul setelah ia menerima email dari DJP. Email tersebut berisi hasil penyelidikan DJP yang secara akurat menemukan sejumlah aset miliknya yang memang sengaja ia sembunyikan. Cerita nyata di atas sedikit banyak menggambarkan karakteristik pembayar pajak. “Semua orang tidak suka membayar pajak. Saya orang pajak sebenarnya juga tidak suka” ungkap Iwan Djuniardi (Direktur Transformasi Teknologi Informasi dan Komunikasi DJP) dengan nada bergurau.

Namun pajak memang bukan soal suka atau tidak suka, melainkan kewajiban yang harus dibayarkan sesuai ketentuan. Masalahnya, sebagian wajib pajak yang “nakal” memilih untuk tidak melaporkan obyek miliknya. Atau kalaupun melaporkan, nilainya jauh di bawah nilai sesungguhnya. Mereka baru akan membayar sesuai aturan ketika dikonfrontasi dengan data yang valid. “Mereka mungkin menggerutu, namun akhirnya bayar pajak” tambah Iwan saat berbagi di acara InfoKomputer CIO Forum awal November kemarin. Karena itulah, penting bagi DJP untuk memiliki data yang valid agar bisa meningkatkan kepatuhan wajib pajak. Peran Big Data Lalu, bagaimana DJP mendapatkan data yang valid tersebut? Di sinilah peran big data menjadi relevan. Dengan menggabungkan data dari berbagai sumber dan melakukan analisa, DJP bisa mendeteksi berbagai jenis fraud dengan cepat. Pemanfaatan big data pun tidak cuma soal enforcement, namun juga peningkatan layanan. Salah satu contohnya adalah pre-fi lled tax proposal information, ketika wajib pajak cukup memverifi kasi data yang dikeluarkan Dirjen Pajak. Hal ini menjadi mungkin karena Dirjen Pajak bisa mengakses data transaksi yang terjadi di sebuah institusi. Metode ini pun sudah diimplementasikan di Bank BRI di mana karyawannya cukup melakukan verifi kasi melalui mobile apps. Untuk sumber data sendiri, DJP mengumpulkan dari berbagai sumber. Selain data internal, mereka juga mengumpulkannya dari pihak ketiga (yang disebut data ILAP atau Institusi, Lembaga, Asosiasi, dan Pihak lain). Setidaknya ada 87 jenis data yang berasal dari 67 instansi seperti Bank Indonesia, Ditjen Bea Cukai, sampai PT. Pelabuhan Indonesia. Selain itu, DJP juga mengumpulkan data dari media sosial dan Orbis (data kepemilikan perusahaan). Semua data itu diolah di dalam sistem yang disebut Dawet (Data Warehouse Terintegrasi). Sedangkan untuk proses analisa bagi tim internal, DJP menyediakan sistem yang disebut Coro-binal. Dua sistem inilah yang kemudian dijadikan “senjata” bagi DJP dalam mendeteksi fraud maupun meningkatkan pelayanan. Sejak digulirkan sejak April 2015, sudah banyak manfaat yang didapat DJP. Salah satu contohnya adalah mendeteksi modus invoice pajak palsu, yang seringkali melibatkan jaringan broker yang rumit. Dari satu modus ini saja, terciduk 30 ribu kasus dengan total kerugian mencapai Rp.2,9 trilyun.


“Dan hanya butuh waktu satu minggu untuk mendeteksi modus seperti ini” tambah Iwan. Sebelum menggunakan teknologi big data, dibutuhkan waktu sampai dua tahun hanya untuk menguak 100-200 kasus. Big data juga bermanfaat untuk memetakan wajib pajak berikut entitas terkait, seperti kepemilikan aset, kepemilikan perusahaan, sampai anggota keluarga. Dengan mencocokkan dengan data SPT, DJP bisa menilai apakah wajib pajak tersebut telah patuh membayar pajak sesuai ketentuan.

Bisnis Baru


Perusahaan lain yang juga serius memanfaatkan data adalah Telkomsel. Dengan jumlah pelanggan mencapai 169 juta yang aktif menggunakan 159 juta perangkat, Telkomsel memang memiliki modal besar untuk dapat memanfaatkan data. Berbeda dengan DJP, variasi data yang diolah Telkomsel lebih sedikit. Namun dari kuantitas, jumlahnya sangat besar. “Secara volume, jumlahnya mencapai 2,1 petabyte per hari” ungkap Metra C. Utama (VP IT Digital Enablement Telkomsel). Porsi penggunaan terbesar terjadi di komunikasi data, disusul dengan SMS serta voice. Ketika mengawali inisiatif big data di tahun 2009, Telkomsel lebih mengarah pada business monitoring. Termasuk di dalamnya adalah pembenahan untuk meningkatkan kualitas data. “Untuk membuat reporting, kala itu kami belum memiliki single version of truth. Tiap departemen memiliki angka berbeda untuk sebuah obyek yang sama” cerita Metra. Belum lagi dengan masalah kualitas data yang hilang atau tidak konsisten.

Setelah melakukan pembenahan selama lima tahun, di tahun 2014 Telkomsel melangkah ke tahap selanjutnya, yaitu business optimization. Pada tahapan ini, tujuan besar yang ingin dicapai adalah menerapkan konsep analitik untuk meningkatkan layanan. Contohnya adalah melihat performa jaringan saat pengguna mengakses aplikasi tertentu, atau merencanakan pembangunan BTS berdasarkan kepadatan pengguna di sebuah area. Pada tahapan ini, Telkomsel juga mulai memanfaatkan data yang mereka miliki untuk meningkatkan pendapatan. Mereka melakukan pemetaan demografi terhadap pelanggan, seperti jenis kelamin, umur, hobi, sampai penghasilan. Telkomsel pun memiliki data situs atau layanan yang digunakan pengguna, mulai dari video terpopuler, situs belanja terpopuler, dan lain sebagainya. Dengan data yang komprehensif tersebut, Telkomsel pun bisa melakukan program pemasaran yang lebih fokus (targeted campaign). Berbagai Tantangan Jalan menuju pemanfaatan data ini memang tidak mudah. Jika menengok perjalanan panjang Telkomsel, Metra melihat tiap tahapan memiliki tantangan yang berbeda. Pada tahap business monitoring, tantangan lebih kepada meningkatkan kualitas data, seperti membuat single version of truth dan meminimalisir data latency. Sedangkan di level business optimization, kala itu Telkomsel harus berhadapan dengan ledakan data yang berlipat ganda tiap tahunnya. Jika dikelola dengan cara yang sama, perhitungan cost benefi t analysis-nya sudah tidak sesuai lagi. “Karena itu kami mulai o? oad data dari EDW (Enterprise Data Warehouse, Red.) ke Hadoop” ungkap Metra. EDW dikhususkan mengolah data yang penting seperti business reporting, sementara Hadoop ditujukan untuk mengolah data berukuran besar lainnya. Di luar tantangan teknis, masalah talent yang bisa mendapatkan insight dari lautan data juga menjadi tantangan tersendiri. Seorang data analyst dituntut memiliki keahlian di statistik, pemograman, sekaligus memahami bisnis. Tak heran jika jumlah data analyst sangat terbatas, sementara kebutuhan di industri demikian besar. Soal mendapatkan talent ini, Metra mengungkapkan strategi di Telkomsel. “Kami membuat Build Operation Transfer, semacam center of excellence yang menggabungkan potensi di internal, institusi pendidikan, dan konsultan eksternal” ungkap Metra. Organisasi ini bertugas menyelesaikan project terkait big data sembari melakukan transfer ilmu. Misalnya ketika ada tujuh project yang harus diselesaikan, maka tiga project diserahkan ke konsultan eksternal, dua project dikerjakan bersama, sementara dua project lain dijalankan tim internal. Dengan begitu, transfer pengetahuan diharapkan bisa berlangsung dengan cepat. Konsep yang mirip juga dilakukan di DJP. Mereka membangun area yang disebut Central Tech Analysis yang menjadi titik kumpul sekitar 50 orang dari berbagai divisi. “Di sana ada programming computer, orang business process, orang statistik, dan lain sebagainya” cerita Iwan. Mereka akan berdiskusi mengenai temuan-temuan baru sampai akhirnya keluar use case model. Jika dirasa perlu, tim ini juga mengundang tim eksternal seperti komunitas Data Science Indonesia.

(DSI) untuk berdiskusi mengenai use case tertentu. Ketika berhasil menghasilkan data scientist yang kompeten, bayang-bayang “pembajakan” talent memang selalu membayangi. Tak heran jika insentif remunerasi sering menjadi senjata. Namun Metra dan Iwan menyebut, pertimbangan para talent ini tidak melulu soal materi. “Saya selalu bilang ke tim saya, di DJP ini Anda akan menemukan kasus-kasus yang tidak ditemukan di tempat lain” ungkap Iwan. Metra pun sepakat, memiliki kejelasan visi ke depan bisa menjadi insentif menarik bagi para talent ini. “Saya kira setiap perusahaan perlu menggali karakteristik apa di dalam perusahaan yang menarik bagi data scientist ini” tambah Metra. Saat ini juga sudah banyak inisiatif yang membantu perusahaan mengembangkan data analyst. Salah satunya yang dilakukan di IBM melalui project IBM Data Science Experience. “IBM sudah meluncurkan program ini secara worldwide dan nanti akan diturunkan sampai regional” ungkap Novan Adian (Country Manager Global Business Partner, IBM Indonesia). Melalui inisiatif ini, talent yang ingin mengembangkan kemampuan di bidang data science bisa belajar dan berkolaborasi dengan data scientist dari berbagai belahan dunia. Meski banyak tantangan, sudah saatnya setiap perusahaan mulai memanfaatkan data untuk akselerasi bisnis. Bahkan seperti ditunjukkan oleh Telkomsel, data yang sudah tersusun rapi bisa dimanfaatkan sebagai revenue stream baru. “Mulai tahun 2017 ini, kami akan membuat API dari data yang kami miliki sehingga bisa dimanfaatkan pihak lain” ungkap Metra (selengkapnya bisa dilihat di boks Kolaborasi Pemanfaatan Data). Bahkan Iwan Djuniardi memiliki kutipan menarik terkait pemanfaatan data. “With Big Data Analytics, we can reach the unreachable, touch the untouchable, discover the undiscoverable, and do the impossible”.

Kolaborasi Pemanfaatan Data

Ketika data sudah tersusun rapi, DJP dan Telkomsel pun melihat sebuah peluang besar: menjalin kolaborasi pemanfaatan data dengan pihak ketiga. Dengan begitu, data tersebut tidak cuma berguna untuk keperluan internal, namun juga pihak lain yang mau bekerjasama. Inisiatif ini mulai dilakukan Telkomsel di tahun ini. Mereka membuka API dari data pelanggan mereka untuk dimanfaatkan pihak ketiga. “Bisa untuk pemerintah, industri perbankan, e-commerce, dan industri lainnya” ungkap Metra. Berbeda dengan sumber data konvensional, Metra mengklaim data tersebut lebih aktual karena berdasarkan data real-time. Salah satu kerjasama yang telah dilakukan Telkomsel adalah dengan Departemen Perhubungan. Telkomsel memberikan Origin Destination Matrix yang diolah dari data pergerakan 14 juta pengguna Telkomsel yang bermukim di kawasan Jabodetabek. Dengan data ini, Dephub mendapat data penting dalam memahami rute pergerakan penduduk. Metra melihat, potensi pemanfaatan data bisa sangat variatif. Untuk industri fi nansial, Telkomsel bisa memberikan data pendukung untuk masyarakat Indonesia yang belum memiliki credit history. Untuk industri e-commerce, Telkomsel memiliki data layanan e-commerce yang paling populer di kalangan pengguna. Untuk industri transportasi online, Telkomsel bisa melihat waktu optimal untuk melakukan promo. “Mereka memang memiliki data internal, namun mereka juga butuh data kompetitor mereka” tambah Metra. Telkomsel pun membuka berbagai kemungkinan skema bisnis. Karena berbasis API, biaya bisa berdasarkan frekuensi penarikan data oleh mitra Telkomsel. Skema bisnis juga bisa dikenakan berdasarkan mekanisme berlangganan. Bahkan terbuka kemungkinan untuk melakukan kerjasama yang lebih strategis seperti revenue sharing. “Kami telah melakukan kerjasama seperti ini dengan beberapa institusi” tambah Metra. Dalam konteks yang mirip, DJP pun berencana membuka API dari data yang mereka miliki. Namun berbeda dengan Telkomsel, DJP tidak melakukannya untuk keperluan komersil. “Saya pengennya gratis buat semua” ungkap Iwan. “Tugas DJP kan mengambil pajak dari keuntungan perusahaan. Jika [berkat data ini] perusahaan tambah untung, pajak yang bisa dipungut juga lebih besar” tambah Iwan mengungkapkan alasannya.

Perjalanan Panjang Pemanfaatan Data

Jeny Mustopha (Commonwealth Life Indonesia) “Jika hanya melihat data warehouse, kita seperti melihat spion. Padahal yang kita butuhkan adalah melihat prediksi ke depan serta kompetitor di kiri-kanan. Tantangannya adalah jumlah data sudah sedemikian besar dan kita tidak bisa melihat data secara parsial”

Dwi Kurniawan (Otoritas Jasa Keuangan) “Saat ini kami menggunakan big data meski masih di entry level, yaitu menangkap opini atau keluhan masyarakat terkait industri dan institusi keuangan. Nanti akan dibuat semacam Top 10 produk yang sering dikomplain dengan tujuan mencegah fraud di industri keuangan”

Dody Soewandi (Adira Finance) “Saat ini Adira sedang melakukan transformasi digital, dan untuk menuju ke sana, kami harus bisa memanfaatkan big data. Salah satu key challenge saat ini [di bidang big data] adalah menyasar millennial yang aktif di media sosial. Ada banyak sekali unstructured data yang harus diolah untuk memahami karakteristik kaum millennial ini”

Budi Limansubroto (Solution Architech Director Abyor International) “Saya melihat big data ini tidak cuma bermanfaat di sisi regulasi dan governance, tapi juga kolaborasi. Sebagai penyedia layanan, saya melihat kolaborasi ini juga bisa Abyor lakukan dengan perusahaan yang ingin memanfaatkan big data. Jadi di masa depan, mungkin kita tidak lagi bicara digital economy, melainkan big data economy”

• Penulis: Wisnu Nugroho, Adam • Ilustrasi: Thinkstock


Abyor Indonesia

+62 21 29004532 +62 31 60038438 info@abyor.com

Abyor Singapore

info@abyor.com

Abyor Australia

+61 435711318 info@abyor.com

Abyor Netherlands

+31408517595 info@abyor.com


ContactnUs
Contact Us