Skor Kecocokan AML: Formula Keyakinan Identitas

Skor Kecocokan adalah metrik keyakinan berbobot yang menentukan seberapa cocok kecocokan AML potensial dengan individu yang menjalani skrining. Skor ini digunakan untuk mengklasifikasikan kecocokan individual sebagai Positif Palsu atau Kecocokan yang Mungkin yang memerlukan peninjauan lebih lanjut.

Konfigurasi skor kecocokan AML Didit yang menampilkan ambang batas berbobot untuk nama, tanggal lahir, dan negara

⚠️ Penting: Skor Kecocokan menentukan klasifikasi kecocokan individual, BUKAN status AML akhir. Status AML akhir (Disetujui/Dalam Peninjauan/Ditolak) ditentukan oleh Skor Risiko dari kecocokan yang bukan positif palsu.

Gambaran Umum

Saat melakukan skrining seseorang terhadap daftar pantauan AML, setiap potensi kecocokan menerima skor kecocokan dari 0-100. Skor ini menjawab pertanyaan: “Apakah kecocokan ini benar-benar merujuk pada orang yang sama dengan yang kita skrining?”

Skor Kecocokan vs Skor Risiko

Aspek	Skor Kecocokan	Skor Risiko
Pertanyaan	Apakah ini orang yang sama?	Seberapa berisiko entitas ini?
Tujuan	Klasifikasikan kecocokan sebagai Positif Palsu vs Kecocokan yang Mungkin	Tentukan status AML akhir
Faktor	Nama, Tanggal Lahir, Negara, Nomor Dokumen	Negara, Kategori, Catatan Kriminal
Ambang batas	Ambang Batas Skor Kecocokan (default: 93)	Ambang Batas Disetujui / Ambang Batas Peninjauan

Cara Skor Kecocokan Menentukan Status Peninjauan

Setiap kecocokan diklasifikasikan berdasarkan skor kecocokannya:

Skor Kecocokan	Status Peninjauan	Arti
Skor di bawah Ambang Batas Skor Kecocokan	Positif Palsu	Kecocokan kemungkinan BUKAN orang yang sama
Skor pada atau di atas Ambang Batas Skor Kecocokan	Belum ditinjau	Kecocokan memerlukan peninjauan manual

Ambang batas default: 93%

Contoh: Dengan ambang batas 93:

Kecocokan dengan skor 85 → Positif Palsu (diabaikan otomatis)
Kecocokan dengan skor 95 → Belum ditinjau (perlu ditinjau, skor risiko menentukan urgensi)

Penjelasan Status Peninjauan

Semua kecocokan AML dimulai dengan salah satu dari dua status awal berdasarkan skor kecocokannya:

Status	Deskripsi	Kapan Ditetapkan
Positif Palsu	Kecocokan kemungkinan besar BUKAN orang yang sama dengan individu yang menjalani skrining. Dikecualikan dari penilaian risiko.	Skor kecocokan < ambang batas
Belum ditinjau	Kecocokan merupakan kemungkinan kecocokan yang memerlukan peninjauan manual untuk mengonfirmasi atau mengabaikan.	Skor kecocokan ≥ ambang batas

Setelah peninjauan manual, petugas kepatuhan dapat memperbarui status menjadi:

Status	Deskripsi
Kecocokan Dikonfirmasi	Kecocokan telah diverifikasi sebagai orang yang sama.
Tidak konklusif	Tidak dapat menentukan apakah kecocokan tersebut adalah orang yang sama.

Tip: Anda dapat mengubah status peninjauan kecocokan di Console dengan melihat gambaran umum AML atau mengklik kecocokan tertentu untuk melihat detailnya.

Cara Skor Kecocokan Dihitung

Langkah 1: Perhitungan Skor Dasar

Skor dasar dihitung menggunakan tiga komponen dengan bobot yang dapat dikonfigurasi:

Base Score = (Name Score × Name Weight) + (DOB Score × DOB Weight) + (Country Score × Country Weight)

Komponen	Bobot Default	Deskripsi
Nama	60%	Kemiripan string secara fuzzy antara nama individu yang diskrining dan nama pada kecocokan
Tanggal Lahir	25%	Penilaian kecocokan persis, sebagian (hanya tahun), atau tidak cocok
Negara/Kewarganegaraan	15%	Perbandingan antara kewarganegaraan yang diskrining dan negara kecocokan

Catatan: Total bobot harus selalu berjumlah 100%.

Langkah 2: Logika “Golden Key” Nomor Dokumen

Setelah menghitung skor dasar, nomor dokumen dievaluasi secara terpisah menggunakan logika penggantian khusus:

Skenario	Efek	Contoh
Cocok	Ganti skor menjadi 100	Nomor paspor sama persis
Netral	Pertahankan skor dasar tanpa perubahan	Jenis dokumen berbeda, atau salah satu nomor dokumen tidak ada
Ketidakcocokan Keras	Terapkan penalti (-50 poin)	Jenis dokumen sama tetapi nilainya berbeda

Pendekatan ini mengakui bahwa nomor dokumen yang cocok adalah bukti identitas definitif (“Golden Key”), sedangkan jenis dokumen yang tidak cocok tidak boleh mengurangi skor.

Detail Penilaian Komponen

Kemiripan Nama (0-100)

Pencocokan nama menggunakan algoritma WRatio dari RapidFuzz, yang tangguh terhadap:

Salah ketik dan kesalahan ejaan
Perbedaan urutan kata (“John Smith” vs “Smith, John”)
Variasi nama tengah (“Robert J. Smith” vs “Robert James Smith”)
Perbedaan panjang nama

Penilaian Tanggal Lahir

Skenario	Skor	Contoh
Pencocokan Persis	100%	“1985-03-15” cocok dengan “1985-03-15”
Kecocokan Tahun (data hanya tahun)	100%	“1985-03-15” cocok dengan “1985” — kecocokan penuh karena data hanya menyediakan presisi tingkat tahun
Kecocokan Tahun (beda hari/bulan)	50%	“1985-03-15” cocok dengan “1985-06-20” — tahun sama tetapi tanggal berbeda
Tahun Tidak Cocok	-100% (penalti)	“1985-03-15” tidak cocok dengan “1990-03-15”
Tidak Ada Data	0% (netral)	Salah satu pihak tidak memiliki tanggal lahir

Penting: Jika data kecocokan hanya menyediakan tahun (misalnya, “1974”), mencocokkan tahun tersebut dihitung sebagai kecocokan penuh karena hanya informasi itu yang tersedia untuk diverifikasi.

Penilaian Negara/Kewarganegaraan

Skenario	Skor	Contoh
Pencocokan Persis	100%	“ES” cocok dengan “Spain” atau “ESP”
Tidak Ada Data pada Kecocokan	0% (netral)	Data kecocokan tidak memiliki informasi negara
Tidak Cocok	-50% (penalti)	“ES” tidak cocok dengan “France”

Sistem secara otomatis mengonversi antara:

Kode ISO alpha-2 (ES)
Kode ISO alpha-3 (ESP)
Nama lengkap negara (Spain)

Sistem juga memeriksa kolom citizenship selain countries.

Normalisasi Skor (Pembobotan Ulang)

Ketika data tidak tersedia untuk orang yang menjalani skrining atau kecocokan, sistem menggunakan normalisasi skor untuk menghindari penalti akibat informasi yang tidak tersedia.

Contoh: Skrining Hanya Nama

Jika Anda melakukan skrining hanya dengan nama (tanpa tanggal lahir atau negara):

Bobot Asli	Bobot Dinormalisasi
Nama: 60%	Nama: 100%
Tanggal Lahir: 25%	Tanggal Lahir: 0% (tidak dapat dibandingkan)
Negara: 15%	Negara: 0% (tidak dapat dibandingkan)

Hasil: Skor nama menjadi keseluruhan skor kecocokan.

Contoh: Negara Tidak Ada pada Kecocokan

Jika data kecocokan tidak memiliki data negara tetapi memiliki tanggal lahir:

Bobot Asli	Bobot Dinormalisasi
Nama: 60%	Nama: 70.6%
Tanggal Lahir: 25%	Tanggal Lahir: 29.4%
Negara: 15%	Negara: 0% (tidak dapat dibandingkan)

Hal ini memastikan penilaian yang adil terlepas dari ketersediaan data.

Opsi Konfigurasi

Anda dapat menyesuaikan perhitungan skor kecocokan melalui API atau pengaturan alur kerja:

Ambang Batas Skor Kecocokan

Pengaturan	Default	Deskripsi
Ambang Batas Skor Kecocokan	93	Kecocokan di bawah ambang batas ini diklasifikasikan sebagai Positif Palsu. Kecocokan yang mencapai atau melebihi ambang batas ini berstatus Belum ditinjau (Kemungkinan Kecocokan) dan memerlukan peninjauan.

Bobot (total harus 100)

Pengaturan	Default	Deskripsi
Bobot Nama	60	Bobot untuk kemiripan nama (0-100)
Bobot Tanggal Lahir	25	Bobot untuk tanggal lahir (0-100)
Bobot Negara	15	Bobot untuk negara/kewarganegaraan (0-100)

Contoh Permintaan API

{
  "full_name": "John Doe",
  "date_of_birth": "1990-01-01",
  "nationality": "USA",
  "document_number": "SAMPLE-DOC-12345",
  "aml_name_weight": 60,
  "aml_dob_weight": 25,
  "aml_country_weight": 15,
  "aml_match_score_threshold": 93
}

Respons: Rincian Skor

Setiap kecocokan dalam respons menyertakan:

match_score — Skor kecocokan yang dihitung (0-100)
risk_score — Skor risiko yang dihitung (0-100) - lihat Skor Risiko
review_status — “Positif Palsu” atau “Belum ditinjau” berdasarkan ambang batas skor kecocokan
score_breakdown — Rincian mendalam dari perhitungan skor kecocokan

{
  "caption": "David Sanchez",
  "match_score": 95,
  "risk_score": 65.5,
  "review_status": "Unreviewed",
  "score_breakdown": {
    "name_score": 95,
    "name_weight": 60,
    "name_weight_normalized": 70.59,
    "name_contribution": 67.06,
    "dob_score": 100,
    "dob_weight": 25,
    "dob_weight_normalized": 29.41,
    "dob_contribution": 29.41,
    "country_score": 0,
    "country_weight": 15,
    "country_weight_normalized": 0,
    "country_contribution": 0,
    "document_number_match_type": "NEUTRAL",
    "document_number_effect": "No document number provided for screening",
    "total_score": 95
  }
}

Alur Lengkap: Dari Skor Kecocokan ke Status AML Akhir

┌─────────────────────────────────────────────────────────────────────────────┐
│                           AML SCREENING FLOW                                 │
├─────────────────────────────────────────────────────────────────────────────┤
│                                                                             │
│  1. RETRIEVE MATCHES FROM WATCHLISTS                                        │
│     └── All matches with score ≥ 75% are included                           │
│                                                                             │
│  2. CALCULATE MATCH SCORE FOR EACH MATCH                                    │
│     Match Score = (Name × W1) + (DOB × W2) + (Country × W3)                │
│     + Golden Key document number logic                                      │
│                                                                             │
│  3. CLASSIFY MATCHES BY MATCH SCORE (Match Score Threshold = 93)           │
│     ├── Match Score < 93 → FALSE POSITIVE (excluded from risk assessment)  │
│     └── Match Score ≥ 93 → UNREVIEWED (included in risk assessment)        │
│                                                                             │
│  4. CALCULATE RISK SCORE FOR NON-FALSE-POSITIVE MATCHES                     │
│     Risk Score = (Country × 30%) + (Category × 50%) + (Criminal × 20%)     │
│                                                                             │
│  5. DETERMINE FINAL AML STATUS (based on highest risk score)               │
│     ├── Highest Risk Score < approve_threshold → APPROVED                   │
│     ├── Highest Risk Score ≤ review_threshold → IN REVIEW                   │
│     └── Highest Risk Score > review_threshold → DECLINED                    │
│                                                                             │
└─────────────────────────────────────────────────────────────────────────────┘

Contoh Perhitungan

Contoh 1: Kecocokan Kuat → Belum ditinjau

Data yang Diskrining:

Nama: “Robert J. Smith”
DOB: “1985-03-15”
Negara: “US”

Data Kecocokan:

Nama: “Robert James Smith”
DOB: “1985”
Negara: “United States”

Perhitungan:

Skor Nama: 90% (pencocokan fuzzy)
Skor DOB: 100% (data kecocokan hanya memiliki tahun, dan tahunnya cocok)
Skor Negara: 100% (kecocokan persis)

Match Score = (90 × 0.60) + (100 × 0.25) + (100 × 0.15)
            = 54 + 25 + 15
            = 94

Hasil: Skor Kecocokan (94) ≥ ambang batas (93) → Belum ditinjau → Skor risiko akan dihitung dan digunakan untuk status AML akhir

Contoh 2: Kecocokan Lemah → Positif Palsu

Data yang Diskrining:

Nama: “John Smith”
DOB: “1990-05-20”
Negara: “US”

Data Kecocokan:

Nama: “Johnny Smithson”
DOB: “1975”
Negara: “Canada”

Perhitungan:

Skor Nama: 72% (pencocokan fuzzy yang lemah)
Skor DOB: -100% (penalti ketidakcocokan tahun)
Skor Negara: -50% (penalti ketidakcocokan negara)

Match Score = (72 × 0.60) + (-100 × 0.25) + (-50 × 0.15)
            = 43.2 - 25 - 7.5
            = 10.7 → 11

Hasil: Skor Kecocokan (11) < ambang batas (93) → Positif Palsu → Kecocokan ini dikecualikan dari penilaian risiko

Contoh 3: Override Golden Key

Data yang Diskrining:

Nama: “John D. Smith”
Nomor Dokumen: “A12345678”

Data Kecocokan:

Nama: “Jonathan David Smith”
Nomor Dokumen: “A12345678”

Perhitungan:

Skor Dasar: ~70 (pencocokan fuzzy nama)
Nomor Dokumen: COCOK (kecocokan persis)

Hasil: Skor ditimpa menjadi 100 (kecocokan Golden Key) → Belum ditinjau

Mengelola Status Peninjauan

Setelah klasifikasi awal, Anda dapat memperbarui status peninjauan setiap kecocokan secara manual:

Di Console

Buka ringkasan AML sesi
Klik kecocokan tertentu untuk melihat detailnya
Gunakan menu tarik-turun status untuk mengubah status peninjauan:
- Kecocokan Dikonfirmasi — Pastikan bahwa kecocokan tersebut merujuk pada orang yang sama
- Positif Palsu — Tandai kecocokan sebagai tidak cocok
- Tidak dapat disimpulkan — Tidak dapat ditentukan

Praktik Terbaik

Mulai dengan ambang batas default (93) — Hal ini memberikan keseimbangan yang baik antara menemukan kecocokan yang benar dan memfilter positif palsu.
Turunkan ambang batas untuk skenario berisiko tinggi — Jika Anda perlu lebih berhati-hati, turunkan Ambang Batas Skor Kecocokan untuk mendeteksi lebih banyak potensi kecocokan.
Gunakan nomor dokumen jika tersedia — Nomor dokumen memberikan konfirmasi identitas terkuat dan dapat menimpa skor kecocokan yang rendah.
Tinjau bobot yang dinormalisasi — Periksa kolom bobot yang dinormalisasi pada rincian skor untuk memahami bagaimana data yang hilang memengaruhi skor.
Pantau tingkat positif palsu — Jika terlalu banyak kecocokan yang sah ditandai sebagai positif palsu, turunkan ambang batas.

Autentikasi

Verifikasi

Pemantauan

Platform

Skor Kecocokan AML: Formula Keyakinan Identitas

Gambaran Umum

Skor Kecocokan vs Skor Risiko

Cara Skor Kecocokan Menentukan Status Peninjauan

Penjelasan Status Peninjauan

Tip: Anda dapat mengubah status peninjauan kecocokan di Console dengan melihat gambaran umum AML atau mengklik kecocokan tertentu untuk melihat detailnya.

Cara Skor Kecocokan Dihitung

Langkah 1: Perhitungan Skor Dasar

Langkah 2: Logika “Golden Key” Nomor Dokumen

Detail Penilaian Komponen

Kemiripan Nama (0-100)

Penilaian Tanggal Lahir

Penilaian Negara/Kewarganegaraan

Normalisasi Skor (Pembobotan Ulang)

Contoh: Skrining Hanya Nama

Contoh: Negara Tidak Ada pada Kecocokan

Opsi Konfigurasi

Ambang Batas Skor Kecocokan

Bobot (total harus 100)

Contoh Permintaan API

Respons: Rincian Skor

Alur Lengkap: Dari Skor Kecocokan ke Status AML Akhir

Contoh Perhitungan

Contoh 1: Kecocokan Kuat → Belum ditinjau

Contoh 2: Kecocokan Lemah → Positif Palsu

Contoh 3: Override Golden Key

Mengelola Status Peninjauan

Di Console

Praktik Terbaik

​Gambaran Umum

​Skor Kecocokan vs Skor Risiko

​Cara Skor Kecocokan Menentukan Status Peninjauan

​Penjelasan Status Peninjauan

​Tip: Anda dapat mengubah status peninjauan kecocokan di Console dengan melihat gambaran umum AML atau mengklik kecocokan tertentu untuk melihat detailnya.

​Cara Skor Kecocokan Dihitung

​Langkah 1: Perhitungan Skor Dasar

​Langkah 2: Logika “Golden Key” Nomor Dokumen

​Detail Penilaian Komponen

​Kemiripan Nama (0-100)

​Penilaian Tanggal Lahir

​Penilaian Negara/Kewarganegaraan

​Normalisasi Skor (Pembobotan Ulang)

​Contoh: Skrining Hanya Nama

​Contoh: Negara Tidak Ada pada Kecocokan

​Opsi Konfigurasi

​Ambang Batas Skor Kecocokan

​Bobot (total harus 100)

​Contoh Permintaan API

​Respons: Rincian Skor

​Alur Lengkap: Dari Skor Kecocokan ke Status AML Akhir

​Contoh Perhitungan

​Contoh 1: Kecocokan Kuat → Belum ditinjau

​Contoh 2: Kecocokan Lemah → Positif Palsu

​Contoh 3: Override Golden Key

​Mengelola Status Peninjauan

​Di Console

​Praktik Terbaik

Gambaran Umum

Skor Kecocokan vs Skor Risiko

Cara Skor Kecocokan Menentukan Status Peninjauan

Penjelasan Status Peninjauan

Tip: Anda dapat mengubah status peninjauan kecocokan di Console dengan melihat gambaran umum AML atau mengklik kecocokan tertentu untuk melihat detailnya.

Cara Skor Kecocokan Dihitung

Langkah 1: Perhitungan Skor Dasar

Langkah 2: Logika “Golden Key” Nomor Dokumen

Detail Penilaian Komponen

Kemiripan Nama (0-100)

Penilaian Tanggal Lahir

Penilaian Negara/Kewarganegaraan

Normalisasi Skor (Pembobotan Ulang)

Contoh: Skrining Hanya Nama

Contoh: Negara Tidak Ada pada Kecocokan

Opsi Konfigurasi

Ambang Batas Skor Kecocokan

Bobot (total harus 100)

Contoh Permintaan API

Respons: Rincian Skor

Alur Lengkap: Dari Skor Kecocokan ke Status AML Akhir

Contoh Perhitungan

Contoh 1: Kecocokan Kuat → Belum ditinjau

Contoh 2: Kecocokan Lemah → Positif Palsu

Contoh 3: Override Golden Key

Mengelola Status Peninjauan

Di Console

Praktik Terbaik