Model Risiko Lokasi Berbasis Spasial (Penipuan, Permintaan Uang Tunai, Keamanan)

Pendahuluan

Pada pelajaran ini Anda akan mempelajari cara membangun Model Risiko Lokasi Berbasis Spasial untuk kebutuhan perbankan—mulai dari risiko penipuan, potensi kriminalitas, hingga prediksi kebutuhan uang tunai harian/mingguan. Pendekatan ini membantu bank mengurangi kerugian, meningkatkan keamanan, serta mengoptimalkan operasional cabang & ATM dengan keputusan berbasis data.

Pelajaran ini bersifat praktis dan langsung bisa diterapkan, baik menggunakan QGIS, ArcGIS Pro, atau Python Geospatial Stack (GeoPandas, PySAL, Scikit-Learn).

Prasyarat / Alat yang Dibutuhkan:

  • Dasar GIS (buffer, join, spatial interpolation)
  • Dasar statistik dan machine learning
  • Software: QGIS / ArcGIS Pro atau Python Jupyter Notebook
  • Dataset yang dibutuhkan:
    • Titik ATM/cabang
    • Data kejadian penipuan/kriminalitas (berbasis koordinat)
    • Data permintaan uang tunai (transaksi historis)
    • Data demografi & kepadatan penduduk
    • Road network (OSM)
    • Boundary administratif

Langkah-langkah Utama

1. Mengumpulkan dan Membersihkan Data Risiko

Pada tahap ini Anda menggabungkan semua sumber data sehingga dapat diproses dalam analisis spasial.

Instruksi Detail

  1. Impor semua data geospasial (ATM, fraud, demografi, batas wilayah).
    • (Visual Hint: Tampilan layer-layer awal di panel kiri QGIS/ArcGIS)
  2. Pastikan semua layer menggunakan koordinat yang sama (WGS84 atau UTM).
    • (Visual Hint: Menu ‘Reproject Layer’ di QGIS)
  3. Lakukan cleaning data:
    • Hapus titik duplikat.
    • Perbaiki koordinat lompat (GPS error).
    • Normalisasi nama kolom (lowercase + snake_case).
  4. Cek kualitas geolokasi setiap titik fraud atau kriminalitas.
    • (Visual Hint: Peta outlier merah di tengah laut)

Tip Penting:
Selalu buat log cleaning agar model dapat direplikasi dan diaudit, terutama untuk data sensitif seperti kriminalitas dan fraud.

2. Menghitung Indikator Risiko Lingkungan Sekitar Lokasi Bank

Anda akan membuat spatial features yang nantinya menjadi variabel input model.

Instruksi Detail

  1. Buat buffer radius 250–500 meter di sekitar seluruh ATM/cabang.
    • (Visual Hint: Circle buffer muncul mengelilingi titik ATM)
  2. Hitung jumlah kejadian kriminal/fraud di dalam buffer.
    • Gunakan Spatial Join → Count Points in Polygon.
  3. Tambahkan variabel lingkungan:
    • Kepadatan penduduk.
    • Jam operasional area (mall, pasar, stasiun).
    • Kedekatan ke jalan besar.
    • Jarak ke kantor polisi.
  4. Normalisasi semua variabel (Min-Max atau Z-score).
    • (Visual Hint: Tabel variabel dengan kolom original dan normalized)

Peringatan:
Jangan pernah menggabungkan data sensitif tanpa anonymisasi! Untuk data fraud, gunakan kode lokasi alih-alih alamat lengkap.

3. Menghitung Hotspot Risiko Menggunakan Kernel Density Estimation (KDE)

KDE digunakan untuk mengidentifikasi area yang memiliki intensitas penipuan atau kriminalitas tinggi.

Instruksi Detail

  1. Pilih layer fraud/kriminalitas.
  2. Jalankan Kernel Density Estimation:
    • Bandwidth: 300–500 meter.
    • Output raster: nilai intensitas risiko.
    • (Visual Hint: Raster warna merah–kuning–biru)
  3. Overlay raster KDE ke lokasi ATM/cabang.
  4. Ekstrak nilai raster KDE sebagai fitur baru (misal kde_fraud_score).

Tip Praktis:
KDE adalah gold standard untuk memodelkan pola kejadian acak seperti penipuan atau kejahatan. Digunakan oleh polisi dan bank modern.

4. Membangun Model Prediktif Risiko (Regresi atau Machine Learning)

Anda sekarang siap membuat model prediksi tingkat risiko suatu lokasi ATM/cabang.

Instruksi Detail

  1. Siapkan dataset akhir berisi:
    • Variabel lokasi (X)
    • Label risiko (y)
  2. Tentukan label risiko:
    • Fraud risk: jumlah fraud 12 bulan terakhir.
    • Cash demand risk: variabilitas kebutuhan uang tunai.
    • Security risk: gabungan KDE kriminal + jarak polisi + kepadatan orang.
  3. Pilih algoritma:
    • Linear Regression untuk interpretasi.
    • Random Forest untuk akurasi lebih tinggi.
    • XGBoost untuk performa terbaik.
  4. Jalankan pemodelan:
    • Split data 80/20.
    • Train → Evaluate (RMSE / AUC / MAPE).
    • (Visual Hint: Grafik feature importance)
  5. Simpan model dan catat parameter.

Peringatan Model:
Overfitting sering terjadi jika jumlah variabel terlalu banyak atau terlalu berkorelasi. Gunakan Feature Selection untuk menjaga akurasi stabil.

5. Menghasilkan Peta Risiko Lokasi (Risk Scoring Map)

Anda akan menyajikan hasil akhir dalam bentuk peta yang siap dipakai tim keamanan, operasional, dan manajemen.

Instruksi Detail

  1. Prediksi skor risiko untuk seluruh ATM/cabang.
    • (Visual Hint: Tabel dengan kolom score_risk)
  2. Klasifikasikan skor:
    • Low Risk (0–0.3)
    • Medium Risk (0.3–0.6)
    • High Risk (0.6–1.0)
  3. Tampilkan pada peta:
    • Titik hijau: low
    • Kuning: medium
    • Merah: high
    • (Visual Hint: Peta warna RAG—Red Amber Green)
  4. Tambahkan layer KDE sebagai konteks latar belakang.
  5. Export dalam PDF, GeoPackage, atau WebMap untuk dashboard.

Tips Strategis:
Bank modern menggunakan real-time risk dashboard untuk monitoring potensi fraud & lonjakan permintaan cash. Gunakan ini sebagai bahan presentasi ke manajemen.

Ringkasan

Tiga poin penting dari pelajaran ini:

  1. Model Risiko Lokasi membutuhkan kombinasi data kejadian, demografi, dan konteks geospasial.
  2. KDE dan variabel lingkungan adalah komponen utama untuk mendeteksi area rawan.
  3. Machine Learning memberikan kemampuan prediksi risiko yang dapat digunakan untuk keputusan strategis cabang & ATM.

Tugas Praktis

Buatlah Peta Risiko ATM/Cabang untuk satu kota (misalnya Bandung) menggunakan langkah berikut:

  1. Kumpulkan data kriminalitas, ATM, jalan, dan demografi.
  2. Hitung KDE kriminalitas dan buffer 300m untuk setiap ATM.
  3. Buat model prediksi risiko dengan minimal 5 variabel lingkungan.
  4. Visualisasikan dalam peta final dengan klasifikasi Low/Medium/High Risk.

Kirimkan hasil berupa:

  • 1 file peta (PNG atau PDF)
  • 1 tabel feature importance
  • 1 paragraf interpretasi risiko
Previous Lesson
Back to Course
Next Lesson