Metodologi pengolahan data mentah menjadi wawasan prediktif dan deskriptif yang dapat dipertanggungjawabkan.
👋 Selamat Datang di Portofolio Analitika Data
Andrey Satrio Pramono
Calon Analis Data Sektor Publik & Praktisi Akuntansi
Saya adalah mahasiswa Program Studi Akuntansi Sektor Publik di Politeknik Keuangan Negara STAN (IPK: 3,84) dengan keahlian dalam analisis data keuangan sektor publik, pemodelan prediktif, komunikasi profesional, dan kerja sama tim. Kemampuan tersebut telah saya asah melalui berbagai pengalaman kepanitiaan, kepemimpinan teater kampus (Produser di Teater Alir PKN STAN), serta penyelesaian proyek analitika data deret waktu fiskal, klasifikasi risiko, dan pemetaan klaster menggunakan Orange Data Mining, Microsoft Excel, dan Python. Dikenal sebagai individu yang empatik, adaptif, serta berorientasi pada solusi dan hasil yang terukur guna memberikan kontribusi nyata di lingkungan kerja yang dinamis.
Kompetensi & Sertifikasi
Keahlian & Penguasaan Perkakas
Kombinasi kompetensi analitika data kuantitatif, pelatihan profesional, serta rekam jejak kepemimpinan kegiatan.
Perangkat lunak analitika, pemodelan spreadsheet, dan generative AI yang terintegrasi.
Pelatihan resmi yang diikuti serta rekam jejak kepanitiaan dan kepemimpinan organisasi.
Studi Kasus Nyata
Proyek Analitika Data Keuangan
Penerapan metode data science dan data mining pada konteks keuangan negara dan tata kelola sektor publik.
Peramalan Penerimaan Kepabeanan dan Cukai Nasional Berbasis Model ARIMA
👤 Peran: Ketua Tim Analis (Kelompok 3)
Masalah: Volatilitas bulanan penerimaan bea dan cukai negara memerlukan model peramalan yang akurat guna memitigasi risiko defisit APBN dan menetapkan target fiskal yang realistis.
Data: Data historis bulanan Penerimaan DJBC Kementerian Keuangan RI periode Januari 2014 – Desember 2025 (144 observasi deret waktu).
Metode: Uji stasioneritas differencing, inspeksi ACF/PACF residual, serta komparasi arsitektur ARIMA (Baseline ARIMA(0,0,0), Integrated ARIMA(1,1,1), dan Seasonal ARIMA(12,1,0)) pada Orange Data Mining.
🎯 Hasil Terukur (Key Metrics)
Model Seasonal ARIMA(12,1,0) mencatat RMSE terendah 35,7 (turun signifikan dari Baseline 253,0 dan ARIMA(1,1,1) 63,3), MAE 23,7 (efisiensi rata-rata error absolut mencapai ~14 miliar rupiah per periode), serta MAPE hanya 3,3% dengan residual terkonfirmasi White Noise.
Simpulan: Model Seasonal ARIMA(12,1,0) terbukti paling presisi menangkap siklus tahunan penerimaan kepabeanan dan memberikan proyeksi 12 bulan ke depan yang andal bagi perencanaan kas negara.
Klasifikasi Tingkat Risiko Keuangan Organisasi Sektor Publik & BLUD
👤 Peran: Analis Data Mandiri
Masalah: Dibutuhkan sistem peringatan dini berbasis klasifikasi data untuk memetakan organisasi publik yang berisiko tinggi terhadap inefisiensi anggaran dan distorsi belanja.
Data: Dataset 500 entitas organisasi publik dengan 10 variabel (tipe organisasi, wilayah, pendapatan, belanja, jumlah pegawai, kategori ukuran, status BLUD).
Metode: Preprocessing komprehensif (penanganan 105 missing values, normalisasi fitur, penanganan outlier, encoding biner), perankingan fitur (Information Gain), dan komparasi model Classification Tree, Random Forest, Logistic Regression, dan Naive Bayes.
🎯 Hasil Terukur (Key Metrics)
Classification Tree mengungguli model lain dengan metrik CA (Classification Accuracy), Precision, Recall, F1-Score, dan MCC tertinggi, serta matriks kerancuan yang paling konsisten dengan data aktual; fitur tipe organisasi dan belanja terbukti menjadi prediktor risiko paling dominan.
Simpulan: Model Decision Tree menghasilkan aturan klasifikasi yang transparan dan dapat diadopsi auditor internal sektor publik untuk memprioritaskan audit entitas berisiko tinggi.
Segmentasi dan Tipologi Kinerja Fiskal Sektor Publik Berbasis Analisis Klaster
👤 Peran: Analis Data
Masalah: Kebijakan transfer dan alokasi anggaran pusat sering kali tidak tepat sasaran akibat ketiadaan pengelompokan karakteristik fiskal daerah yang obyektif dan bebas bias.
Data: Data indikator keuangan daerah, alokasi belanja modal, dan kinerja BUMD/BLUD multi-wilayah.
Metode: Evaluasi perbandingan tiga paradigma klastering: K-Means (pemisahan berbasis centroid), Hierarchical AGNES (analisis taksonomi bertingkat via Dendrogram), dan DBSCAN (pemetaan berbasis kerapatan spasial dan deteksi noise/outlier).
🎯 Hasil Terukur (Key Metrics)
Berhasil mengidentifikasi segmentasi profil fiskal yang homogen pada klaster utama, sekaligus mengisolasi data pencilan (noise) secara otomatis melalui DBSCAN tanpa mengorbankan kohesi klaster utama.
Simpulan: Segmentasi non-parametrik terbukti efektif menjadi landasan diferensiasi kebijakan transfer fiskal daerah yang lebih adil dan tepat sasaran.
Curriculum Vitae Profesional
Unduh dokumen CV resmi format PDF memuat riwayat studi D4 Akuntansi Sektor Publik di PKN STAN (IPK 3,84), pelatihan tersertifikasi, dan rekam jejak kepanitiaan serta kegiatan teater kampus.
🎓 PKN STAN (IPK 3,84)
🏆 Lulusan SMAN 3 Yogyakarta
🎭 Produser Teater Alir PKN STAN
📊 Penguasaan Orange & MS Excel Advanced
Komunikasi
Kanal Kontak
Terbuka untuk kolaborasi riset analitika data sektor publik, diskusi profesional, dan peluang karir di bidang keuangan negara.
Refleksi Pembelajaran
Catatan Penutup & Refleksi ADKSP
Refleksi Praktik Pembuatan Portofolio Berbasis AI
Proses pembangunan portofolio ini merefleksikan sinergi antara peran agen kecerdasan buatan (AI) dan pengambilan keputusan independen oleh mahasiswa. Agen AI membantu menyusun struktur kode semantik, tata letak antarmuka yang responsif, serta memastikan ketaatan terhadap standar aksesibilitas web. Sementara itu, saya secara mandiri memutuskan kurasi substansi materi, memastikan kebenaran seluruh metrik kuantitatif proyek ADKSP (seperti RMSE 35,7 pada model ARIMA DJBC dan akurasi Decision Tree), menguji interaktivitas laman, serta menentukan arah narasi analitika data. Ke depan, portofolio ini akan terus diperbarui secara berkala seiring bertambahnya proyek riset fiskal dan eksplorasi analitika data sektor publik yang saya selesaikan.