Analisis Dinamika Topologi Jejaring Transaksi Antar-Bank Di Indonesia Pada Kegiatan Pemilihan Umum Presiden Tahun 2014
Abstract
ABSTRAK Perkembangan teknologi informasi dan komunikasi membawa perubahan dalam cara penyimpanan dan perosesan data. Data elektronik bervolume besar dihasilkan dari berbagai sektor dan mendukung pemrosesan berbasis pertambangan (mining) yang mampu diaplikasikan untuk mendukung pengawasan stabilitas sistem keuangan. Semua bank dalam sistem pembayaran saling terhubung dalam berbagai cara dalam jaringan yang besar dan membentuk tulang punggung arsitektur keuangan yang penting bagi keseluruhan ekonomi. Real Time Gross Settlement merupakan transaksi pembayaran elektronik bernilai besar dengan jumlah yang besar sehingga penting untuk dijaga. Jejaring transaksi antar-bank dimodelkan sebagai grafik yang memiliki arah, dimana nodes mewakili bank, edges mewakili transaksi dari bank pengirim ke penerima, dan bobot mewakili nilai yang ditransaksikan. Metode ini mampu memberikan ringkasan pengukuran kompleksitas hubungan bank dan menemukan perilaku peserta dalam berbagai situasi. Hasil yang ditemukan yaitu bank lebih aktif terhubung dengan bank lain dan melakukan transaksi dengan nilai lebih besar 4 hari sebelum masa kampanye berakhir. Sedangkan pada hari terakhir periode kampanye, bank kurang terhubung satu sama lain dan melakukan transaksi dengan nilai yang jauh lebih kecil. Hari terakhir periode kampanye tersebut juga merupakan waktu yang paling berpotensi untuk terjadi kerusakan pada jaringan. Jaringan memiliki kekuatan terbesar saat menjelang akhir periode rekapitulasi suara. Kata Kunci: Topologi Jaringan; Jejaring Transaksi Antar-Bank; Real Time Gross Settlement; Pemilihan Umum Presiden ABSTRACT The information and communication technology development changes the way data stored and processed. Large-volume of electronic data is generated from many sectors and appropriate with mining-based processing thet can be used to support the financial system stability supervision. All banks in the payment system are interconnected in various ways in large networks to form the financial architecture backbone which is essential to the overall economy. Real Time Gross Settlement is a large value electronic payment so it is important to be maintained. An inter-bank transaction network is modeled as a directed graph, where nodes represent banks, edges represent transactions from senders to receivers, and weights represent transacted values. This method allow to provide the bank relationships complexity summary and find participants' behavior in various situations. The findings are that banks are more actively connected with other banks and conduct transactions with greater value 4 days before the campaign period ends. While on the last day of the campaign period, banks are less connected to each other and make transactions with much less value. The last day of the campaign period is also the most potential time for network damage. The network has the greatest strength a day before the end of recapitulation period. Keywords: Network Topology; Interbank Transaction Network; Real Time Gross Settlement; Presidential Election
References
Leinonen, H. (2009). Simulation analyses and stress testing of payment networks. Bank of Finland Payment and Settlement System Seminars 2007–2008. Retrieved from : Bank of Finland.
News, M. (2017). BI perkuat pengawasan di bidang makroprudensial moneter dan sistem pembayaran. . Available at: 28 October 2017]. http://m.metrotvnews.com/ekonomi/mikro/ObzvJZYb-bi-perkuat-pengawasan-dibidang-makroprudensial-moneter-dan-sistem-pembayaran[Acessed
Finance, D. (2014). Jelang pengumuman KPU, perbankan beroperasi normal. Detik Finance. . Available at: [Acessed 27 October 2017]. https://finance.detik.com/moneter/d-2644579/jelang-pengumuman-kpu-perbankan-beroperasinormal?_ga=2.194682223.393716639.1508932262-582564154.1504240104
Pengembangan, B., Kebijakan Sistem Pembayaran Direktoran Akunting, & Sistem Pembayaran Bank Indonesia. (2003). Pengantar sistem pembayaran. Bank Indonesia.
Mañalac, W. C., Yap, A. M., & Jr, M. T. (2003). Real time gross settlement (RTGS) system and its implications for central banking. Bangko Sentral Review. Retrieved from : Bangko Sentral ng Pilipinas.
Sujana, A. P. (2013). Memanfaatkan big data untuk mendeteksi emosi. Jurnal Teknik Komputer Unikom, 2 (2), 1–4. Retrieved from : Academia.
Gudes, E. (2010). Graph and web mining motivation, applications and algorithms. Israel: Ben-Gurion University.
Dehmer, M., & Bashak, S. C. (2012). Statistical and machine learning approaches for network analysis. New Jersey: John Wiley & Sons, Inc.
Becher, C., et al. (2008). The network topology of CHAPS sterling. Working Paper No. 355. Bank of England.
Barabasi, A. L. (2016). Network science. United Kingdom: Cambridge University Press.
Wise, Sean. 2014. Can a Team Have Too Much Cohesion? The Dark Side to Network Density. European Management Journal 32. (2014). 703–711. Retrieved from : Elsevier.
Imakubo, K., & Soejima, Y. (2010). The transaction network in Japan’s interbank money markets. Financial System Report Bank of Japan. Retrieved from : Bank of Japan.
Kranakis, E. (2010). Advances in network analysis and its applications. Retrieved from : Springer.



