> ## Documentation Index
> Fetch the complete documentation index at: https://docs.didit.me/llms.txt
> Use this file to discover all available pages before exploring further.

# Skor Risiko AML: Formula Risiko Entitas

> Didit menghitung skor risiko AML dari faktor negara, kategori, dan catatan kriminal. Sesuaikan ambang batas untuk otomatisasi keputusan AML.

**Skor Risiko** adalah penilaian kuantitatif yang mengevaluasi **seberapa berisiko suatu entitas yang terkena hit AML**. Skor ini digunakan untuk menentukan **status akhir AML** (Disetujui/Dalam Peninjauan/Ditolak) berdasarkan skor risiko tertinggi di antara semua hit yang bukan positif palsu.

> ⚠️ **Penting:** Skor Risiko menentukan **status akhir AML**, BUKAN klasifikasi hit individual. Hit individual terlebih dahulu diklasifikasikan sebagai positif palsu vs belum ditinjau menggunakan [Skor Kecocokan](https://docs.didit.me/id/core-technology/aml-screening/aml-match-score.md).

## Gambaran Umum

Setiap hit AML menerima **skor risiko dari 0-100**, yang dihitung dengan menggabungkan tiga faktor risiko utama. Skor ini menjawab pertanyaan: **"Jika ini adalah kecocokan yang sebenarnya, seberapa berisiko entitas ini?"**

### Skor Risiko vs Skor Kecocokan

| Aspek | Skor Kecocokan | Skor Risiko |
| - | - | - |
| **Pertanyaan** | Apakah ini orang yang sama? | Seberapa berisiko entitas ini? |
| **Tujuan** | Mengklasifikasikan hit sebagai positif palsu vs belum ditinjau | Menentukan status akhir AML |
| **Faktor** | Nama, Tanggal Lahir, Negara, Nomor Dokumen | Negara, Kategori, Catatan Kriminal |
| **Diterapkan pada** | Semua hit | Hanya hit yang bukan positif palsu |

***

## Cara Skor Risiko Menentukan Status Akhir AML

Status akhir AML ditentukan oleh **skor risiko tertinggi** di antara semua hit yang TIDAK diklasifikasikan sebagai positif palsu:

| Skor Risiko Tertinggi | Status Akhir AML |
| - | - |
| Skor di bawah Ambang Batas Persetujuan | **Disetujui** |
| Skor di antara Ambang Batas Persetujuan dan Ambang Batas Peninjauan | **Dalam Peninjauan** |
| Skor di atas Ambang Batas Peninjauan | **Ditolak** |

> **Ambang batas default:**
>
> * Ambang Batas Persetujuan: 80
> * Ambang Batas Peninjauan: 100

**Contoh:** Dengan ambang batas default:

* Skor risiko tertinggi = 50 → **Disetujui** (risiko rendah)
* Skor risiko tertinggi = 90 → **Dalam Peninjauan** (risiko sedang, memerlukan peninjauan manual)
* Skor risiko tertinggi = 101 (mustahil, tetapi >100) → **Ditolak** (risiko tinggi)

***

## Rumus Skor Risiko

Skor risiko keseluruhan dihitung menggunakan rata-rata tertimbang:

```
Risk Score = (Country Score × 0.30) + (Category Score × 0.50) + (Criminal Score × 0.20)
```

| Komponen | Bobot | Deskripsi |
| - | - | - |
| **Negara** | 30% | Penilaian risiko geografis berdasarkan faktor AML/CFT |
| **Kategori** | 50% | Tingkat risiko berdasarkan jenis entri dalam daftar pantauan |
| **Catatan Kriminal** | 20% | Risiko dari riwayat kriminal dan vonis pidana |

***

## Tingkat Risiko

Berdasarkan skor risiko yang dihitung, entitas diklasifikasikan ke dalam tiga tingkat risiko:

| Tingkat Risiko | Rentang Skor | Deskripsi |
| - | - | - |
| 🟢 **Risiko Rendah** | \< 30 | Kekhawatiran kepatuhan minimal, uji tuntas standar |
| 🟡 **Risiko Sedang** | 30 – 49 | Kekhawatiran meningkat, disarankan melakukan uji tuntas yang ditingkatkan |
| 🔴 **Risiko Tinggi** | ≥ 50 | Kekhawatiran signifikan, diperlukan investigasi menyeluruh |

***

## Detail Penilaian Komponen

### Skor Negara (Bobot 30%)

Skor negara mencerminkan risiko inheren AML/CFT yang terkait dengan suatu yurisdiksi. Faktor-faktornya meliputi:

* Risiko pencucian uang dan pendanaan terorisme
* Kepatuhan terhadap rekomendasi FATF
* Adanya sanksi internasional
* Indeks persepsi korupsi
* Kekuatan kerangka regulasi

**Rentang Penilaian:** 0-100 (semakin tinggi = semakin berisiko)

> **Catatan:** Ketika suatu kecocokan dikaitkan dengan beberapa negara, **skor negara tertinggi** akan digunakan dalam perhitungan.

#### Skor Risiko Negara

| Negara | Kode | Skor Risiko | Tingkat Risiko |
| - | - | - | - |
| 🇮🇷 Iran | `IR` | 81.66 | 🔴 Tinggi |
| 🇰🇵 Korea Utara | `KP` | 78.20 | 🔴 Tinggi |
| 🇲🇲 Myanmar | `MM` | 75.09 | 🔴 Tinggi |
| 🇦🇫 Afganistan | `AF` | 74.63 | 🔴 Tinggi |
| 🇸🇾 Suriah | `SY` | 74.49 | 🔴 Tinggi |
| 🇭🇹 Haiti | `HT` | 74.30 | 🔴 Tinggi |
| 🇨🇩 Republik Demokratik Kongo | `CD` | 71.66 | 🔴 Tinggi |
| 🇷🇺 Rusia | `RU` | 71.25 | 🔴 Tinggi |
| 🇻🇪 Venezuela | `VE` | 71.09 | 🔴 Tinggi |
| 🇸🇸 Sudan Selatan | `SS` | 70.77 | 🔴 Tinggi |
| 🇾🇪 Yaman | `YE` | 68.40 | 🔴 Tinggi |
| 🇱🇧 Lebanon | `LB` | 67.76 | 🔴 Tinggi |
| 🇸🇴 Somalia | `SO` | 65.38 | 🔴 Tinggi |
| 🇲🇱 Mali | `ML` | 62.78 | 🔴 Tinggi |
| 🇱🇾 Libya | `LY` | 61.96 | 🔴 Tinggi |
| 🇲🇿 Mozambik | `MZ` | 57.15 | 🔴 Tinggi |
| 🇧🇮 Burundi | `BI` | 56.48 | 🔴 Tinggi |
| 🇵🇭 Filipina | `PH` | 56.44 | 🔴 Tinggi |
| 🇬🇼 Guinea-Bissau | `GW` | 55.99 | 🔴 Tinggi |
| 🇰🇪 Kenya | `KE` | 55.49 | 🔴 Tinggi |
| 🇽🇰 Kosovo | `XK` | 55.49 | 🔴 Tinggi |
| 🇪🇷 Eritrea | `ER` | 54.72 | 🔴 Tinggi |
| 🇵🇸 Negara Palestina | `PS` | 54.41 | 🔴 Tinggi |
| 🇳🇬 Nigeria | `NG` | 54.40 | 🔴 Tinggi |
| 🇻🇳 Vietnam | `VN` | 54.24 | 🔴 Tinggi |
| 🇮🇶 Irak | `IQ` | 54.15 | 🔴 Tinggi |
| 🇹🇿 Tanzania | `TZ` | 53.22 | 🔴 Tinggi |
| 🇭🇷 Kroasia | `HR` | 53.03 | 🔴 Tinggi |
| 🇩🇿 Aljazair | `DZ` | 52.28 | 🔴 Tinggi |
| 🇵🇦 Panama | `PA` | 52.28 | 🔴 Tinggi |
| 🇨🇮 Pantai Gading | `CI` | 51.61 | 🔴 Tinggi |
| 🇨🇲 Kamerun | `CM` | 51.35 | 🔴 Tinggi |
| 🇨🇫 Republik Afrika Tengah | `CF` | 50.98 | 🔴 Tinggi |
| 🇸🇩 Sudan | `SD` | 49.52 | 🔴 Tinggi |
| 🇦🇴 Angola | `AO` | 49.47 | 🟡 Sedang |
| 🇳🇮 Nikaragua | `NI` | 49.07 | 🟡 Sedang |
| 🇹🇹 Trinidad dan Tobago | `TT` | 48.45 | 🟡 Sedang |
| 🇧🇫 Burkina Faso | `BF` | 47.94 | 🟡 Sedang |
| 🇹🇷 Turki | `TR` | 47.93 | 🟡 Sedang |
| 🇻🇺 Vanuatu | `VU` | 47.93 | 🟡 Sedang |
| 🇳🇪 Niger | `NE` | 47.02 | 🟡 Sedang |
| 🇬🇹 Guatemala | `GT` | 47.01 | 🟡 Sedang |
| 🇧🇦 Bosnia dan Herzegovina | `BA` | 46.75 | 🟡 Sedang |
| 🇺🇬 Uganda | `UG` | 46.67 | 🟡 Sedang |
| 🇿🇦 Afrika Selatan | `ZA` | 46.60 | 🟡 Sedang |
| 🇺🇦 Ukraina | `UA` | 46.43 | 🟡 Sedang |
| 🇨🇳 Tiongkok | `CN` | 45.92 | 🟡 Sedang |
| 🇨🇺 Kuba | `CU` | 45.89 | 🟡 Sedang |
| 🇧🇬 Bulgaria | `BG` | 45.70 | 🟡 Sedang |
| 🇦🇪 Uni Emirat Arab | `AE` | 45.39 | 🟡 Sedang |
| 🇿🇼 Zimbabwe | `ZW` | 45.37 | 🟡 Sedang |
| 🇦🇱 Albania | `AL` | 45.34 | 🟡 Sedang |
| 🇯🇲 Jamaika | `JM` | 45.11 | 🟡 Sedang |
| 🇧🇧 Barbados | `BB` | 45.04 | 🟡 Sedang |
| 🇬🇳 Guinea | `GN` | 44.80 | 🟡 Sedang |
| 🇸🇽 Sint Maarten | `SX` | 44.79 | 🟡 Sedang |
| 🇱🇷 Liberia | `LR` | 44.66 | 🟡 Sedang |
| 🇷🇸 Serbia | `RS` | 44.26 | 🟡 Sedang |
| 🇲🇪 Montenegro | `ME` | 43.47 | 🟡 Sedang |
| 🇲🇨 Monako | `MC` | 43.13 | 🟡 Sedang |
| 🇪🇹 Etiopia | `ET` | 42.85 | 🟡 Sedang |
| 🇩🇯 Jibuti | `DJ` | 41.96 | 🟡 Sedang |
| 🇳🇦 Namibia | `NA` | 41.83 | 🟡 Sedang |
| 🇱🇦 Laos | `LA` | 41.73 | 🟡 Sedang |
| 🇹🇳 Tunisia | `TN` | 41.35 | 🟡 Sedang |
| 🇬🇮 Gibraltar | `GI` | 41.21 | 🟡 Sedang |
| 🇧🇾 Belarus | `BY` | 41.17 | 🟡 Sedang |
| 🇬🇾 Guyana | `GY` | 40.75 | 🟡 Sedang |
| 🇰🇲 Komoro | `KM` | 40.50 | 🟡 Sedang |
| 🇨🇼 Curacao | `CW` | 39.88 | 🟡 Sedang |
| 🇵🇰 Pakistan | `PK` | 39.49 | 🟡 Sedang |
| 🇸🇱 Sierra Leone | `SL` | 39.44 | 🟡 Sedang |
| 🇸🇷 Suriname | `SR` | 39.38 | 🟡 Sedang |
| 🇲🇰 Makedonia Utara | `MK` | 39.14 | 🟡 Sedang |
| 🇦🇿 Azerbaijan | `AZ` | 38.69 | 🟡 Sedang |
| 🇹🇩 Chad | `TD` | 38.54 | 🟡 Sedang |
| 🇰🇮 Kiribati | `KI` | 37.94 | 🟡 Sedang |
| 🇰🇭 Kamboja | `KH` | 37.90 | 🟡 Sedang |
| 🇬🇶 Guinea Khatulistiwa | `GQ` | 37.90 | 🟡 Sedang |
| 🇸🇨 Seychelles | `SC` | 37.60 | 🟡 Sedang |
| 🇲🇩 Moldova | `MD` | 37.54 | 🟡 Sedang |
| 🇧🇿 Belize | `BZ` | 37.48 | 🟡 Sedang |
| 🇭🇰 Hong Kong | `HK` | 37.47 | 🟡 Sedang |
| 🇨🇴 Kolombia | `CO` | 37.26 | 🟡 Sedang |
| 🇵🇬 Papua Nugini | `PG` | 37.20 | 🟡 Sedang |
| 🇸🇿 Eswatini | `SZ` | 37.00 | 🟡 Sedang |
| 🇦🇬 Antigua dan Barbuda | `AG` | 36.74 | 🟡 Sedang |
| 🇻🇬 Kepulauan Virgin Britania Raya | `VG` | 36.70 | 🟡 Sedang |
| 🇸🇹 Sao Tome dan Principe | `ST` | 36.64 | 🟡 Sedang |
| 🇧🇯 Benin | `BJ` | 36.60 | 🟡 Sedang |
| 🇲🇻 Maladewa | `MV` | 36.20 | 🟡 Sedang |
| 🇱🇨 Saint Lucia | `LC` | 36.18 | 🟡 Sedang |
| 🇰🇳 Saint Kitts dan Nevis | `KN` | 36.03 | 🟡 Sedang |
| 🇫🇲 Mikronesia | `FM` | 35.97 | 🟡 Sedang |
| 🇹🇻 Tuvalu | `TV` | 35.94 | 🟡 Sedang |
| 🇨🇬 Kongo | `CG` | 35.92 | 🟡 Sedang |
| 🇹🇯 Tajikistan | `TJ` | 35.90 | 🟡 Sedang |
| 🇸🇳 Senegal | `SN` | 35.88 | 🟡 Sedang |
| 🇵🇾 Paraguay | `PY` | 35.77 | 🟡 Sedang |
| 🇹🇭 Thailand | `TH` | 35.71 | 🟡 Sedang |
| 🇼🇸 Samoa | `WS` | 35.68 | 🟡 Sedang |
| 🇬🇦 Gabon | `GA` | 35.54 | 🟡 Sedang |
| 🇪🇨 Ekuador | `EC` | 35.29 | 🟡 Sedang |
| 🇭🇳 Honduras | `HN` | 35.28 | 🟡 Sedang |
| 🇸🇻 El Salvador | `SV` | 35.15 | 🟡 Sedang |
| 🇲🇽 Meksiko | `MX` | 35.01 | 🟡 Sedang |
| 🇹🇬 Togo | `TG` | 35.01 | 🟡 Sedang |
| 🇧🇷 Brasil | `BR` | 34.94 | 🟡 Sedang |
| 🇬🇩 Grenada | `GD` | 34.87 | 🟡 Sedang |
| 🇹🇲 Turkmenistan | `TM` | 34.75 | 🟡 Sedang |
| 🇦🇷 Argentina | `AR` | 34.71 | 🟡 Sedang |
| 🇲🇬 Madagaskar | `MG` | 34.67 | 🟡 Sedang |
| 🇸🇮 Slovenia | `SI` | 34.62 | 🟡 Sedang |
| 🇳🇵 Nepal | `NP` | 34.60 | 🟡 Sedang |
| 🇰🇬 Kirgizstan | `KG` | 34.54 | 🟡 Sedang |
| 🇹🇱 Timor Leste | `TL` | 34.50 | 🟡 Sedang |
| 🇮🇩 Indonesia | `ID` | 34.44 | 🟡 Sedang |
| 🇬🇭 Ghana | `GH` | 34.18 | 🟡 Sedang |
| 🇦🇮 Anguilla | `AI` | 34.17 | 🟡 Sedang |
| 🇻🇨 Saint Vincent dan Grenadine | `VC` | 34.08 | 🟡 Sedang |
| 🇨🇷 Kosta Rika | `CR` | 33.84 | 🟡 Sedang |
| 🇧🇴 Bolivia | `BO` | 33.75 | 🟡 Sedang |
| 🇧🇸 Bahama | `BS` | 33.48 | 🟡 Sedang |
| 🇩🇲 Dominika | `DM` | 33.16 | 🟡 Sedang |
| 🇹🇴 Tonga | `TO` | 33.13 | 🟡 Sedang |
| 🇪🇭 Sahara Barat | `EH` | 33.03 | 🟡 Sedang |
| 🇵🇪 Peru | `PE` | 32.99 | 🟡 Sedang |
| 🇰🇾 Kepulauan Cayman | `KY` | 32.89 | 🟡 Sedang |
| 🇨🇾 Siprus | `CY` | 32.74 | 🟡 Sedang |
| 🇦🇲 Armenia | `AM` | 32.69 | 🟡 Sedang |
| 🇨🇻 Tanjung Verde | `CV` | 32.61 | 🟡 Sedang |
| 🇳🇺 Niue | `NU` | 32.38 | 🟡 Sedang |
| 🇵🇼 Palau | `PW` | 32.18 | 🟡 Sedang |
| 🇲🇾 Malaysia | `MY` | 32.16 | 🟡 Sedang |
| 🇸🇧 Kepulauan Solomon | `SB` | 32.08 | 🟡 Sedang |
| 🇮🇳 India | `IN` | 32.02 | 🟡 Sedang |
| 🇮🇱 Israel | `IL` | 31.77 | 🟡 Sedang |
| 🇬🇲 Gambia | `GM` | 31.70 | 🟡 Sedang |
| 🇦🇼 Aruba | `AW` | 31.64 | 🟡 Sedang |
| 🇲🇸 Montserrat | `MS` | 31.63 | 🟡 Sedang |
| 🇧🇭 Bahrain | `BH` | 31.61 | 🟡 Sedang |
| 🇰🇼 Kuwait | `KW` | 31.52 | 🟡 Sedang |
| 🇱🇸 Lesotho | `LS` | 31.50 | 🟡 Sedang |
| 🇩🇴 Republik Dominika | `DO` | 31.28 | 🟡 Sedang |
| 🇪🇬 Mesir | `EG` | 31.17 | 🟡 Sedang |
| 🇲🇭 Kepulauan Marshall | `MH` | 31.11 | 🟡 Sedang |
| 🇲🇷 Mauritania | `MR` | 31.08 | 🟡 Sedang |
| 🇹🇨 Turks dan Caicos | `TC` | 31.08 | 🟡 Sedang |
| 🇧🇩 Bangladesh | `BD` | 30.99 | 🟡 Sedang |
| 🇫🇯 Fiji | `FJ` | 30.88 | 🟡 Sedang |
| 🇳🇷 Nauru | `NR` | 30.84 | 🟡 Sedang |
| 🇺🇿 Uzbekistan | `UZ` | 30.78 | 🟡 Sedang |
| 🇱🇰 Sri Lanka | `LK` | 30.67 | 🟡 Sedang |
| 🇲🇦 Maroko | `MA` | 30.03 | 🟡 Sedang |
| 🇯🇴 Yordania | `JO` | 29.73 | 🟢 Rendah |
| 🇲🇺 Mauritius | `MU` | 29.73 | 🟢 Rendah |
| 🇬🇪 Georgia | `GE` | 29.40 | 🟢 Rendah |
| 🇰🇿 Kazakhstan | `KZ` | 28.92 | 🟢 Rendah |
| 🇸🇰 Slowakia | `SK` | 28.88 | 🟢 Rendah |
| 🇲🇳 Mongolia | `MN` | 28.82 | 🟢 Rendah |
| 🇷🇼 Rwanda | `RW` | 28.82 | 🟢 Rendah |
| 🇲🇼 Malawi | `MW` | 28.76 | 🟢 Rendah |
| 🇭🇺 Hongaria | `HU` | 28.70 | 🟢 Rendah |
| 🇷🇴 Rumania | `RO` | 28.62 | 🟢 Rendah |
| 🇲🇹 Malta | `MT` | 28.46 | 🟢 Rendah |
| 🇸🇦 Arab Saudi | `SA` | 28.32 | 🟢 Rendah |
| 🇿🇲 Zambia | `ZM` | 28.16 | 🟢 Rendah |
| 🇨🇰 Kepulauan Cook | `CK` | 28.13 | 🟢 Rendah |
| 🇵🇱 Polandia | `PL` | 28.13 | 🟢 Rendah |
| 🇴🇲 Oman | `OM` | 27.90 | 🟢 Rendah |
| 🇹🇼 Taiwan | `TW` | 27.90 | 🟢 Rendah |
| 🇨🇱 Chili | `CL` | 27.74 | 🟢 Rendah |
| 🇧🇹 Bhutan | `BT` | 27.70 | 🟢 Rendah |
| 🇮🇹 Italia | `IT` | 27.66 | 🟢 Rendah |
| 🇧🇼 Botswana | `BW` | 27.50 | 🟢 Rendah |
| 🇧🇶 Karibia Belanda | `BQ` | 27.23 | 🟢 Rendah |
| 🇳🇱 Belanda | `NL` | 27.23 | 🟢 Rendah |
| 🇬🇷 Yunani | `GR` | 26.70 | 🟢 Rendah |
| 🇮🇲 Pulau Man | `IM` | 26.69 | 🟢 Rendah |
| 🇻🇮 Kepulauan Virgin AS | `VI` | 26.64 | 🟢 Rendah |
| 🇮🇪 Irlandia | `IE` | 25.95 | 🟢 Rendah |
| 🇪🇸 Spanyol | `ES` | 25.71 | 🟢 Rendah |
| 🇨🇿 Republik Ceko | `CZ` | 25.46 | 🟢 Rendah |
| 🇧🇪 Belgia | `BE` | 25.38 | 🟢 Rendah |
| 🇸🇬 Singapura | `SG` | 25.31 | 🟢 Rendah |
| 🇺🇸 Amerika Serikat | `US` | 25.22 | 🟢 Rendah |
| 🇱🇻 Latvia | `LV` | 25.16 | 🟢 Rendah |
| 🇲🇴 Makau | `MO` | 25.07 | 🟢 Rendah |
| 🇨🇦 Kanada | `CA` | 24.95 | 🟢 Rendah |
| 🇬🇧 Inggris Raya | `GB` | 24.79 | 🟢 Rendah |
| 🇶🇦 Qatar | `QA` | 24.70 | 🟢 Rendah |
| 🇨🇭 Swiss | `CH` | 24.51 | 🟢 Rendah |
| 🇲🇵 Kepulauan Mariana Utara | `MP` | 24.19 | 🟢 Rendah |
| 🇦🇸 Samoa Amerika | `AS` | 24.10 | 🟢 Rendah |
| 🇬🇺 Guam | `GU` | 24.10 | 🟢 Rendah |
| 🇯🇵 Jepang | `JP` | 23.94 | 🟢 Rendah |
| 🇩🇪 Jerman | `DE` | 23.52 | 🟢 Rendah |
| 🇰🇷 Korea Selatan | `KR` | 23.48 | 🟢 Rendah |
| 🇱🇺 Luksemburg | `LU` | 23.41 | 🟢 Rendah |
| 🇵🇹 Portugal | `PT` | 23.40 | 🟢 Rendah |
| 🇱🇮 Liechtenstein | `LI` | 23.23 | 🟢 Rendah |
| 🇦🇩 Andorra | `AD` | 22.55 | 🟢 Rendah |
| 🇦🇹 Austria | `AT` | 22.38 | 🟢 Rendah |
| 🇻🇦 Takhta Suci | `VA` | 22.17 | 🟢 Rendah |
| 🇦🇺 Australia | `AU` | 22.12 | 🟢 Rendah |
| 🇵🇷 Puerto Riko | `PR` | 22.11 | 🟢 Rendah |
| 🇱🇹 Lituania | `LT` | 22.08 | 🟢 Rendah |
| 🇺🇾 Uruguay | `UY` | 22.06 | 🟢 Rendah |
| 🇧🇲 Bermuda | `BM` | 21.85 | 🟢 Rendah |
| 🇫🇷 Prancis | `FR` | 21.71 | 🟢 Rendah |
| 🇧🇳 Brunei | `BN` | 21.40 | 🟢 Rendah |
| 🇪🇪 Estonia | `EE` | 21.37 | 🟢 Rendah |
| 🇫🇰 Kepulauan Falkland | `FK` | 21.20 | 🟢 Rendah |
| 🇸🇭 Saint Helena | `SH` | 21.20 | 🟢 Rendah |
| 🇬🇫 Guyana Prancis | `GF` | 21.05 | 🟢 Rendah |
| 🇵🇫 Polinesia Prancis | `PF` | 21.05 | 🟢 Rendah |
| 🇬🇵 Guadeloupe | `GP` | 21.05 | 🟢 Rendah |
| 🇲🇶 Martinik | `MQ` | 21.05 | 🟢 Rendah |
| 🇳🇨 Kaledonia Baru | `NC` | 21.05 | 🟢 Rendah |
| 🇧🇱 Saint Barthelemy | `BL` | 21.05 | 🟢 Rendah |
| 🇲🇫 Saint Martin | `MF` | 21.05 | 🟢 Rendah |
| 🇵🇲 Saint Pierre dan Miquelon | `PM` | 21.05 | 🟢 Rendah |
| 🇼🇫 Wallis dan Futuna | `WF` | 21.05 | 🟢 Rendah |
| 🇮🇸 Islandia | `IS` | 21.04 | 🟢 Rendah |
| 🇬🇱 Greenland | `GL` | 19.43 | 🟢 Rendah |
| 🇳🇿 Selandia Baru | `NZ` | 19.19 | 🟢 Rendah |
| 🇹🇰 Tokelau | `TK` | 19.18 | 🟢 Rendah |
| 🇸🇲 San Marino | `SM` | 19.10 | 🟢 Rendah |
| 🇸🇪 Swedia | `SE` | 18.85 | 🟢 Rendah |
| 🇩🇰 Denmark | `DK` | 18.46 | 🟢 Rendah |
| 🇫🇴 Kepulauan Faroe | `FO` | 18.46 | 🟢 Rendah |
| 🇫🇮 Finlandia | `FI` | 18.01 | 🟢 Rendah |
| 🇳🇴 Norwegia | `NO` | 17.62 | 🟢 Rendah |

233 negara · Skor risiko berdasarkan faktor AML/CFT

***

### Skor Kategori (Bobot 50%)

Skor kategori mencerminkan tingkat risiko inheren berdasarkan jenis daftar pantauan yang memuat entitas tersebut. Ini adalah komponen dengan **bobot paling besar** karena jenis pencatatan secara langsung mengindikasikan risiko regulasi dan kepatuhan.

| Kategori | Skor | Deskripsi |
| - | - | - |
| **Sanksi** | 100 | Tercantum dalam daftar sanksi internasional (OFAC, UN, EU, dll.) |
| **PEP** | 100 | Politically Exposed Person (PEP) (klasifikasi umum) |
| **PEP Tingkat 1** | 100 | Kepala negara, pejabat senior pemerintah, hakim mahkamah agung |
| **Peringatan dan Regulasi** | 95 | Peringatan regulasi, tindakan penegakan |
| **Insolvensi** | 80 | Kebangkrutan, proses likuidasi |
| **PEP Tingkat 2** | 80 | Anggota parlemen, perwira senior militer, duta besar |
| **SIE** | 75 | Perusahaan yang Dipengaruhi Negara — perusahaan dengan keterkaitan pemerintah |
| **SIP** | 75 | Individu yang Dipengaruhi Negara — individu dengan pengaruh pemerintah |
| **PEP Tingkat 3** | 70 | Pejabat pemerintah daerah, wali kota setempat, hakim |
| **Kelayakan dan Kepatutan** | 65 | Penilaian kelayakan di sektor jasa keuangan, peninjauan regulasi |
| **Media Negatif** | 60 | Liputan berita negatif terkait kejahatan keuangan |
| **PEP Tingkat 4** | 55 | Pejabat tingkat rendah, anggota partai politik |
| **Pelaku Bisnis** | 55 | Tokoh bisnis terkemuka dengan potensi paparan risiko |
| **Bisnis** | 40 | Entitas bisnis umum yang tercantum dalam daftar pantauan |

> **Catatan:** Jika sebuah hit masuk ke dalam beberapa kategori, **skor kategori tertinggi** yang akan digunakan.

#### Tingkat Risiko Kategori

```
┌─────────────────────────────────────────────────────────────────┐
│  CRITICAL (100)     │ Sanctions, PEP, PEP Level 1              │
├─────────────────────────────────────────────────────────────────┤
│  VERY HIGH (80-95)  │ Warnings, Insolvency, PEP Level 2        │
├─────────────────────────────────────────────────────────────────┤
│  HIGH (70-79)       │ SIE, SIP, PEP Level 3                    │
├─────────────────────────────────────────────────────────────────┤
│  ELEVATED (55-69)   │ Fitness/Probity, Adverse Media, PEP L4   │
├─────────────────────────────────────────────────────────────────┤
│  MODERATE (40-54)   │ Business, Businessperson                 │
└─────────────────────────────────────────────────────────────────┘
```

***

### Skor Catatan Kriminal (Bobot 20%)

Komponen catatan kriminal mengevaluasi riwayat kriminal apa pun yang terkait dengan entitas tersebut.

| Status Kriminal | Skor | Deskripsi |
| - | - | - |
| **Dinyatakan bersalah oleh pengadilan** | 100 | Entitas telah terbukti bersalah atas pelanggaran pidana |
| **Sanksi pidana diberlakukan** | 90 | Entitas telah dikenai sanksi pidana atau denda |
| **Tidak ada catatan kriminal** | 0 | Tidak ada riwayat kriminal yang diketahui |

> **Catatan:** Catatan kriminal memiliki bobot signifikan terlepas dari alokasi 20% karena vonis pidana dapat mengubah profil risiko suatu entitas secara drastis.

***

## Opsi Konfigurasi

### Ambang Batas Skor Risiko (Menentukan Status Akhir AML)

| Pengaturan | Bawaan | Deskripsi |
| - | - | - |
| Ambang Batas Persetujuan | 80 | Skor risiko di bawah nilai ini menghasilkan status **Disetujui** |
| Ambang Batas Peninjauan | 100 | Skor risiko di atas nilai ini menghasilkan status **Ditolak**. Skor di antara ambang batas menghasilkan status **Dalam Peninjauan**. |

### Ambang Batas Skor Kecocokan (Menentukan Klasifikasi Hit)

| Pengaturan | Bawaan | Deskripsi |
| - | - | - |
| Ambang Batas Skor Kecocokan | 93 | Skor kecocokan di bawah nilai ini mengklasifikasikan hit sebagai **Positif Palsu**. Hanya hit yang bukan positif palsu yang disertakan dalam penilaian risiko. |

***

## Alur Lengkap: Dari Skrining hingga Status Akhir

```
┌─────────────────────────────────────────────────────────────────────────────┐
│                           AML SCREENING FLOW                                 │
├─────────────────────────────────────────────────────────────────────────────┤
│                                                                             │
│  1. SCREEN AGAINST WATCHLISTS                                               │
│     └── Returns list of potential hits (match score ≥ 75%)                  │
│                                                                             │
│  2. FOR EACH HIT: CALCULATE MATCH SCORE                                     │
│     Match Score = (Name × W1) + (DOB × W2) + (Country × W3)                │
│     + Golden Key document number logic                                      │
│                                                                             │
│  3. CLASSIFY HITS BY MATCH SCORE                                            │
│     ├── Match Score < 93 → FALSE POSITIVE (excluded)                        │
│     └── Match Score ≥ 93 → UNREVIEWED (included)                            │
│                                                                             │
│  4. FOR EACH UNREVIEWED HIT: CALCULATE RISK SCORE                           │
│     Risk Score = (Country × 30%) + (Category × 50%) + (Criminal × 20%)     │
│                                                                             │
│  5. DETERMINE FINAL AML STATUS                                              │
│     If no non-false-positive hits → APPROVED                                │
│     Else, based on HIGHEST RISK SCORE:                                      │
│     ├── Risk Score < 86 → APPROVED                                          │
│     ├── 86 ≤ Risk Score ≤ 100 → IN REVIEW                                   │
│     └── Risk Score > 100 → DECLINED                                         │
│                                                                             │
└─────────────────────────────────────────────────────────────────────────────┘
```

***

## Contoh Perhitungan

### Contoh 1: PEP Berisiko Tinggi dari Negara yang Dikenai Sanksi

**Data Hit:**

* Negara: Iran (Skor: 81.66)
* Kategori: Sanksi (Skor: 100)
* Catatan Kriminal: Tidak ada (Skor: 0)

**Perhitungan Skor Risiko:**

```
Risk Score = (81.66 × 0.30) + (100 × 0.50) + (0 × 0.20)
           = 24.50 + 50.00 + 0.00
           = 74.50
```

**Hasil:** Skor Risiko 74.50 → Tingkat Risiko Entitas: **Tinggi** 🔴

* Jika ini adalah skor risiko tertinggi di antara hit yang belum ditinjau dan ambang batasnya menggunakan nilai default (86/100):
* 74.50 \< 86 → Status Akhir AML: **Disetujui** (entitas berisiko tetapi di bawah ambang batas peninjauan)

### Contoh 2: PEP Tingkat 1 dari Negara Berisiko Tinggi

**Data Hit:**

* Negara: Rusia (Skor: 71.25)
* Kategori: PEP Tingkat 1 (Skor: 100)
* Catatan Kriminal: Dinyatakan bersalah oleh pengadilan (Skor: 100)

**Perhitungan Skor Risiko:**

```
Risk Score = (71.25 × 0.30) + (100 × 0.50) + (100 × 0.20)
           = 21.38 + 50.00 + 20.00
           = 91.38
```

**Hasil:** Skor Risiko 91.38 → Tingkat Risiko Entitas: **Tinggi** 🔴

* Dengan ambang batas default (86/100): 86 ≤ 91.38 ≤ 100 → Status Akhir AML: **Dalam Peninjauan**

### Contoh 3: Entitas Bisnis Berisiko Rendah

**Data Hit:**

* Negara: Inggris Raya (Skor: 24.79)
* Kategori: Bisnis (Skor: 40)
* Catatan Kriminal: Tidak ada (Skor: 0)

**Perhitungan Skor Risiko:**

```
Risk Score = (24.79 × 0.30) + (40 × 0.50) + (0 × 0.20)
           = 7.44 + 20.00 + 0.00
           = 27.44
```

**Hasil:** Skor Risiko 27.44 → Tingkat Risiko Entitas: **Rendah** 🟢

* Dengan ambang batas default (86/100): 27.44 \< 86 → Status Akhir AML: **Disetujui**

***

## Contoh Respons API

Setiap hit dalam respons AML mencakup kedua skor:

```json theme={null}
{
  "caption": "John Doe",
  "match_score": 95,
  "risk_score": 74.5,
  "review_status": "Unreviewed",
  "properties": {
    "countries": ["IR"],
    "topics": ["sanction"]
  }
}
```

Hasil AML keseluruhan mencakup status akhir berdasarkan skor risiko tertinggi:

```json theme={null}
{
  "status": "In Review",
  "total_hits": 3,
  "score": 91,
  "hits": [
    {
      "caption": "John Doe",
      "match_score": 95,
      "risk_score": 91,
      "review_status": "Unreviewed"
    },
    {
      "caption": "Johnny D.",
      "match_score": 88,
      "risk_score": 45,
      "review_status": "False Positive"
    },
    {
      "caption": "J. Doe",
      "match_score": 94,
      "risk_score": 65,
      "review_status": "Unreviewed"
    }
  ]
}
```

Dalam contoh ini:

* Hit 2 adalah Positif Palsu (match\_score 88 \< ambang batas 93), sehingga dikecualikan
* risk\_score tertinggi di antara hit yang belum ditinjau adalah 91 (dari Hit 1)
* 86 ≤ 91 ≤ 100 → Status akhir: **Dalam Peninjauan**

***

## Mengelola Status Peninjauan Hit

Anda dapat memperbarui status peninjauan setiap hit secara manual setelah klasifikasi awal:

| Status | Deskripsi |
| - | - |
| **Belum ditinjau** | Status awal untuk hit dengan skor kecocokan ≥ ambang batas |
| **Positif Palsu** | Status awal untuk hit dengan skor kecocokan \< ambang batas (atau ditandai secara manual) |
| **Kecocokan Dikonfirmasi** | Diverifikasi secara manual sebagai orang yang sama |
| **Tidak konklusif** | Tidak dapat menentukan apakah hit tersebut adalah orang yang sama |

> [!NOTE]
>
> ### **Tips:** Perbarui status peninjauan hit di Console dengan menavigasi ke ikhtisar AML atau mengeklik detail hit tertentu.

***

## Praktik Terbaik

1. **Pahami sistem dua skor** — Skor kecocokan menyaring positif palsu; skor risiko menentukan urgensi.

2. **Tinjau hit berisiko tinggi terlebih dahulu** — Gunakan skor risiko untuk memprioritaskan beban kerja tim kepatuhan Anda di antara hit yang belum ditinjau.

3. **Sesuaikan ambang batas berdasarkan toleransi risiko Anda:**
   * Ambang Batas Skor Kecocokan Lebih Rendah → Lebih banyak hit yang dianggap belum ditinjau
   * Ambang Batas Persetujuan Lebih Rendah → Lebih banyak sesi yang disetujui otomatis
   * Ambang Batas Peninjauan Lebih Rendah → Lebih banyak sesi yang ditolak otomatis

4. **Dokumentasikan keputusan Anda** — Saat meninjau hit secara manual, catat alasan Anda menyetujui atau meneruskannya ke eskalasi berdasarkan keyakinan kecocokan maupun faktor risiko.

5. **Pantau tren** — Lacak distribusi hit organisasi Anda berdasarkan skor kecocokan dan tingkat risiko untuk mengidentifikasi pola.


This documentation is built and hosted on [Mintlify](https://mintlify.com), a developer documentation platform.