Prototipe interaktif · data sintetis · tahap prapilot
RINTANG
Melihat fraud sebagai jaringan, bukan deretan transaksi yang terpisah.
RINTANG adalah lapisan intelijen untuk tim fraud operations. Sistem menghubungkan alert menjadi graf, memprioritaskan rekening dengan alasan yang dapat diperiksa, lalu merekomendasikan intervensi yang proporsional. RINTANG merekomendasikan—bukan memblokir secara otomatis.
PrototypeSynthetic validationPre-pilot
Pratinjau topologi · Ring AlphaSimulasi aktif
Garis merah putus-putus: koneksi lintas-klasterKlik node di simulasi
Prioritas entitasEskalasi
92/100
BANK-A-HASH-7F31 keputusan akhir: analis
Watchlist signalpositif
Network centrality78%
Ring proximity71%
Rp9,1 triliun
kerugian yang diadukan ke IASC per 14 Januari 20261
Rp161 miliar
dana dikembalikan kepada masyarakat korban scam, diumumkan OJK 21 Januari 20261
Keduanya merupakan angka konteks nasional dari siaran pers OJK, bukan hasil RINTANG. Rp9,1 triliun berasal dari aduan korban dan belum terverifikasi; Rp161 miliar adalah dana yang benar-benar dikembalikan—bukan dana yang baru diblokir.
Network Intelligence Engine
Target implementasi: membangun graf transaksi, menghitung sinyal struktur, dan menyusun daftar rekening prioritas. Pada versi ini, data serta klaster dibangkitkan secara sintetis untuk menguji alur produk.
Risk-Based Friction
Memetakan skor ke intervensi proporsional: transaksi berisiko rendah berjalan tanpa hambatan, sedangkan risiko lebih tinggi memicu peringatan, verifikasi, atau tinjauan manusia.
01 · DETEKSI
Bangun konteks jaringanAlert dan transaksi dipetakan sebagai graf.
02 · INVESTIGASI
Prioritaskan dengan alasanReason codes menjelaskan urutan kerja.
03 · INTERVENSI
Terapkan friksi proporsionalTindakan meningkat sesuai sinyal risiko.
04 · AUDIT
Pisahkan jejak keputusanRekomendasi, respons, dan keputusan dicatat.
Target arsitektur local-first. Untuk implementasi institusional, komputasi atas data sensitif dirancang berjalan di lingkungan bank. Pernyataan ini merupakan prinsip rancangan; validasi keamanan, tata kelola data, serta pemetaan kewajiban UU PDP tetap harus dilakukan bersama institusi pilot.
Skor merupakan heuristik demonstratif, bukan probabilitas fraud. RINTANG memberi dukungan keputusan; kewenangan tetap pada operator manusia.
Sumber angka konteks: [1] OJK, Siaran Pers IASC, 21 Januari 2026. Angka dashboard, skor, klaster, rekening, dan transaksi pada simulasi tidak berasal dari institusi nyata.
Nilai · validasi · model bisnis
Nilai tidak diasumsikan; ia harus dibuktikan pada data institusi.
RINTANG dinilai layak bila menghasilkan perbaikan yang terukur terhadap proses saat ini: meningkatkan ketepatan prioritas, memperpendek waktu triase, dan membatasi friksi yang tidak perlu. Bagian ini menampilkan proyeksi numerik agar potensi ekonominya konkret; setiap angka dapat diubah dan tetap berstatus asumsi sampai baseline institusi tersedia.
BASELINE
Proses yang berlakuVolume alert, waktu triase, dan hasil investigasi.
INTERVENSI
Prioritas RINTANGPerbandingan urutan kasus dan alasan sinyal.
OUTCOME
Hasil operasionalPrecision@K, waktu analis, dan keputusan pengguna.
KEPUTUSAN
Lanjut atau hentikanGo/no-go berdasarkan ambang yang disepakati.
Synthetic evidenceMatched counterfactual
Hasil sempurna diuji sampai batasnya terlihat.
Dalam skenario awal, temporal scoring memisahkan fraud hub yang burst dari gateway kontinu dengan AUC 1,00. Ketika timestamp diubah—sementara topologi, nominal, dan label tetap—keunggulan itu turun mendekati chance. Temuan ini memperkuat peran RINTANG sebagai alat prioritisasi dengan reason codes, bukan mesin blokir otomatis.
Proyeksi komersial 3 tahun & simulator ROI institusi
Keduanya terhubung melalui subscription, tetapi memakai cakupan perhitungan yang berbeda.
Business case per institusiInput dapat diubah
Model ROI tahun pertama per institusi
Model sisi institusi: manfaat dihitung dari kerugian tervalidasi yang berpotensi dicegah dan jam analis yang dihemat. Biaya institusi mencakup subscription RINTANG serta budget implementasi satu kali. Ini bukan proyeksi revenue perusahaan.
Rp juta; hanya kasus dengan outcome yang dapat diverifikasi.
Persentase incremental terhadap workflow pembanding.
Perlu diukur melalui time-and-motion study saat pilot.
Rp juta; loaded cost internal institusi.
Rp juta; default selaras dengan asumsi subscription Tahun 1.
Rp juta; biaya internal/mitra dan deployment yang dikeluarkan dari product revenue projection.
Manfaat institusi tahunanRp430 jt
Biaya institusi tahun pertamaRp375 jt
ROI institusi tahun pertama+15%
Estimasi payback10,5 bln
Base case: Rp250 jt potensi loss avoided + Rp180 jt efisiensi analis - Rp375 jt biaya = Rp55 jt net benefit. Benefit-cost ratio 1,15x.
REKONSILIASI CAKUPAN
Ekonomi institusi dan revenue perusahaan memakai cakupan berbeda.
Angka terhubung melalui subscription, tetapi biaya implementasi institusi tidak dihitung sebagai product revenue pada proyeksi ini.
INPUT ROI SAAT INI · PER INSTITUSI01Rp375 jtRp225 jt subscription + Rp150 jt budget implementasi
PRODUCT REVENUE TAHUN 1 · BASE CASE TETAP02Rp825 jt3 × Rp225 jt subscription + 2 × Rp75 jt paid PoV
DI LUAR PROYEKSI PRODUCT REVENUE03Implementasi / pass-throughBudget internal atau mitra tetap masuk biaya institusi, tetapi tidak masuk chart revenue.
ATURAN REKONSILIASI: Skenario pada kalkulator ROI adalah sensitivity test sisi institusi dan tidak menghitung ulang proyeksi komersial base case yang tetap. Jika implementation kelak diakui sebagai revenue RINTANG, proyeksi komersial harus dihitung ulang.
Proyeksi product revenue tiga tahun
Base case tetap untuk subscription + paid PoV; mengecualikan implementation/pass-through, churn, keterlambatan procurement, pajak, piutang, dan potensi perubahan packaging.
BASE CASE INTERNAL · BUKAN AKTUALProduct revenue tahunan yang diproyeksikan
SKALA · RP MILIAR
6,34,22,10
Rp825 jtTAHUN 1
Rp2,4 miliarTAHUN 2
Rp6,3 miliarTAHUN 3
TAHUN 13 subscription + 2 paid PoVACV subscription Rp225 jt · PoV Rp75 jt
TAHUN 28 institusi aktifBlended product ACV Rp300 jt · tier mix
TAHUN 318 institusi aktifBlended product ACV Rp350 jt · higher-tier mix
Rp6,75–10,5 miliarCore product-revenue pool tahunan30 institusi beachhead × product ACV Rp225–350 jt
Rp45–105 miliarExpanded SAM indikatif130–300 institusi/PJP × blended product ACV sekitar Rp350 jt
5–7 institusiKisaran menuju break-even ARRProduct ACV sekitar Rp275 jt; target ARR Rp1,2–1,8 miliar
Hipotesis pricing indikatif
Essentials diproyeksikan Rp150–300 juta per tahun; Professional dan Enterprise meningkat sesuai volume, SLA, integrasi, deployment, serta kebutuhan keamanan. Angka ini bukan quotation dan masih perlu diuji melalui willingness-to-pay. Budget implementation/pass-through ditetapkan terpisah dan tidak masuk proyeksi product revenue di atas.
Akuntabilitas sebagai nilai
Jejak keputusan dapat membantu penyiapan bukti audit. Namun, kesesuaian terhadap POJK 12/2024 tidak boleh diasumsikan dan perlu dipetakan bersama fungsi fraud, risiko, hukum, dan kepatuhan.
BATAS PROYEKSISeluruh angka ROI, product revenue, harga, ARR, jumlah klien, dan SAM di atas adalah asumsi perencanaan internal—bukan revenue aktual, kontrak, quotation, atau performa pilot. Chart revenue hanya mencakup subscription dan paid PoV; implementation/pass-through dikeluarkan. Nilai final harus dikalibrasi menggunakan exposure tervalidasi, workflow baseline, biaya analis, willingness-to-pay, biaya integrasi, tier mix, dan sales cycle institusi.
Satu founder, satu alur produk yang sudah dapat diuji.
RINTANG saat ini adalah prototype browser-side yang menghubungkan visualisasi jaringan, antrean investigasi, simulasi friksi, dan jejak audit. Bukti yang tersedia mencakup kelengkapan alur interaksi serta validasi mekanisme sintetis dengan boundary condition eksplisit—bukan performa deteksi lapangan. Tahap berikutnya ialah uji retrospektif pada data yang dikelola secara aman.
Kolaborasi graph/backend engineer, fraud-domain lead, data governance serta security, dan fungsi kepatuhan. Frontend serta product engineering ditambahkan ketika alur inti telah tervalidasi.
Usulan Proof-of-Value 90 Hari
Discovery tata kelola dan baseline, pemetaan data yang tersedia, uji retrospektif pada data terkontrol, evaluasi oleh analis, lalu keputusan go/no-go. Tidak ada penggunaan untuk keputusan nasabah langsung selama tahap pembuktian.
Kontak:mochamad.fathoni@binus.ac.id. Seluruh data dalam simulasi bersifat sintetis; deployment, keamanan, dan kepatuhan belum dinyatakan tervalidasi.
Pilih sebuah node untuk membuka kontribusi sinyal dan rekomendasi tindak lanjut.
GESER · ZOOM · PILIH NODE
Besar + H: hub
Sedang: dugaan mule
Kecil: korban/laporan
Sinyal watchlist
Warna node: klaster
Koneksi lintas-klaster
Pilih sebuah node pada graf untuk melihat rincian sinyal, eksposur, dan rekomendasi risiko.
Tampilan makrobukan hasil deteksi lapangan
Pola Risiko Jaringan.
Garis merah putus-putus menandai koneksi lintas-klaster yang patut ditinjau sebagai kemungkinan koordinasi, bukan sebagai bukti fraud.
FILTER KLASTER · GESER · ZOOM · PILIH NODE
Besar + H: hub
Sedang: dugaan mule
Kecil: korban/laporan
Sinyal watchlist
Warna node: klaster
Koneksi lintas-klaster
Pilih sebuah node untuk mempertahankan rincian analitiknya di bawah graf.
Ringkasan Klaster
Evidence layerSyntheticCounterfactualNot field performance
Validasi Mekanisme.
Eksperimen ini menguji kapan fitur temporal membantu—dan kapan asumsi tersebut gagal. Endpoint, nominal, serta label dipertahankan; hanya pola timestamp yang diubah.
Robustness gap · ΔAUC0,581,00 → 0,42 · penurunan, bukan AUC worst-case
Test seeds8median · P10–P90
AUC hub fraud vs gateway legittimestamp only
Stress test temporal
ID awal
1,00
Fraud low-and-slow
0,52
Gateway legit burst
0,46
Keduanya bergeser
0,42
Waktu diacak
0,53
garis tengah = chance (0,50)
Skenario
Median
P10–P90
Makna
ID awal
1,00
1,00–1,00
sesuai asumsi generator
Low-and-slow
0,52
0,45–0,58
keunggulan hilang
Gateway burst
0,46
0,44–0,47
legit burst tidak terpisah
Keduanya bergeser
0,42
0,40–0,43
ranking dapat terbalik
Waktu diacak
0,53
0,48–0,57
negative control
STATUS REPRODUKSIBILITAS
Notebook executable beserta output tertanam kini tersedia di Google Colab. Hasil tetap merupakan validasi mekanisme sintetis, bukan estimasi performa pada data institusi nyata.
Dukungan keputusankeputusan analis
Antrean Investigasi.
Entitas yang memerlukan tinjauan, verifikasi tambahan, atau eskalasi berdasarkan skor heuristik sintetis.
#
ID Rekening
Skor Risiko
Sinyal Utama
Kedekatan
Status
Rekomendasi
Simulasi lintas-permukaanbukan aplikasi bank
Friksi Nasabah.
Uji bagaimana tingkat risiko yang berbeda diterjemahkan menjadi pengalaman transaksi yang proporsional.
Simulasi: Tanpa Friksi➔
Skenario transaksi berisiko rendah untuk memeriksa apakah model membiarkan pengguna yang sah bertransaksi tanpa hambatan.
Payload Menunggu Tinjauan
Catatan sistemjejak keputusan
Jejak Audit.
Log simulatif atas penilaian risiko, respons nasabah, tindakan analis, dan status akhir.
