Anda dapat mengetahui masalah pada berbagai data sebelum berdampak pada perusahaan Anda dengan fitur Deteksi Anomali. Fitur ini menjalankan pemeriksaan pada data berdasarkan aturan-aturan yang telah didefinisikan, dan melaporkan temuan data yang tidak sesuai aturan tersebut.

Contoh kasus:

1. Data PTKP yang tidak sesuai dengan status pernikahan akan berdampak pada perhitungan pajak karyawan. Sistem dapat mendeteksi daftar karyawan yang PTKP dan status pernikahannya tidak sesuai.
2. Gaji karyawan yang kurang dari UMR yang ditetapkan, kemungkinan akan menjadi masalah terhadap regulasi. Sistem dapat mendeteksi upah dasar THP karyawan yang kurang dari UMR.

Pengaturan Deteksi Anomali

Catatan:

Jika perusahaan Anda membutuhkan aturan pengecekan tipe anomali data, silakan hubungi customer service CATAPA.

Anda dapat melakukan pengaturan tipe anomali di: Analisis (Analysis) > Pengaturan (Setup) > Deteksi Anomali (Anomaly Detection) > Tipe Anomali (Anomaly Type)

Berikut data-data detail tipe anomali:

1. Kode (Code): Kode unik tipe anomali
2. Nama (Name): Nama tipe anomali
3. Tanggal Efektif (Effective Date): Tanggal efektif perubahan suatu tipe anomali
4. Status: Status perubahan suatu tipe anomali
5. Diterapkan (Applied): Nilai-nilai pada perubahan tipe anomali ini akan aktif dan menjadi acuan jika telah efektif
6. Draf (Draft): Nilai-nilai pada perubahan tipe anomali ini tidak akan aktif dan tidak akan digunakan meskipun tanggal efektifnya sesuai
7. Anda dapat mengetahui nilai-nilai tipe anomali yang menjadi acuan saat ini di tab Aktif (Active) pada detail tipe anomali
8. Deskripsi (Description): Penjelasan tentang tipe anomali
9. Karyawan (Employee): Menentukan dasar pemilihan karyawan yang datanya dapat diterapkan deteksi tipe anomali ini
10. Semua Karyawan (All Employees): Semua karyawan datanya dapat dideteksi dengan tipe anomali ini
11. Penerima Upah (Pay Recipient) / Perusahaan (Company) / Organization (Organisasi) / Pangkat (Job Level) / Nama Jabatan (Job Title) / Lokasi (Location): Hanya karyawan yang tergabung dalam grup tertentu yang datanya dapat dideteksi dengan tipe anomali ini. Jika Anda memilih salah satu dari grup ini, Anda perlu menentukan nilai-nilai grup yang relevan (contoh: Hanya karyawan dengan Lokasi Jakarta, Bandung, Surabaya)
12. Karyawan Tertentu (Specific Employees): Hanya karyawan tertentu yang datanya dapat dideteksi dengan tipe anomali ini. Jika Anda memilih opsi ini, Anda perlu menentukan siapa saja karyawan yang relevan
13. Logika Deteksi - Variabel / Formula (Detection Logic - Variable / Formula): Variabel atau formula yang digunakan dalam script logika deteksi
14. Logika Deteksi - Script (Detection Logic - Script): Kode logika deteksi
15. Risiko Tipe Anomali (Anomaly Tipe Risk): Menentukan tingkat risiko dari tipe anomali, untuk memudahkan Anda memprioritaskan penyelesaian masalah
16. Terapkan tingkat risiko tetap (Apply fixed risk level): Tingkat risiko dari tipe anomali ini selalu sama, berapa kali pun terjadi kemunculan masalahnya. Anda perlu menentukan apakah tipe anomali ini memiliki tingkat risiko Tinggi (High), Menengah (Medium), atau Rendah (Low)
17. Tentukan tingkat risiko berdasarkan persentase jumlah temuan (Determine risk level based on number of findings percentage): Tingkat risiko dari tipe anomali ini bergantung pada persentase temuan per data yang dideteksi. Anda perlu menentukan batas persentase tipe anomali ini digolongkan sebagai tingkat risiko Tinggi (High), Menengah (Medium), atau Rendah (Low)
18. Risiko Per Data Temuan - Terapkan (Risk Per Findings Data - Apply): Menentukan apakah masing-masing temuan data anomali memiliki tingkat risikonya tersendiri, misalnya berdasarkan tingkat deviasi dari standar pada aturan. Jika diterapkan, Anda perlu menentukan kondisi suatu temuan data anomali digolongkan sebagai tingkat risiko Tinggi (High), Menengah (Medium), atau Rendah (Low) dengan variabel / formula dan script.

Entri dan Hasil Deteksi Anomali

Entri Deteksi Anomali digunakan untuk memulai menjalankan deteksi anomali sesuai lingkup tipe anomali dan periode yang Anda tentukan.

Anda dapat melakukan entri deteksi di: Analisis (Analysis) > Deteksi Anomali (Anomaly Detection) > Entri Deteksi (Detection Entry)

Langkah-langkah melakukan entri deteksi:

1. Klik tombol Tambah (Add)
2. Isi data-data berikut
3. Tipe Anomali (Anomaly Type): Tipe-tipe anomali yang akan dideteksi pada data karyawan
4. Awal Periode Deteksi (Detection Period Start): Deteksi akan dilakukan pada data-data yang efektif sejak bulan tersebut
5. Awal Periode Deteksi (Detection Period End): Deteksi akan dilakukan pada data-data yang efektif hingga bulan tersebut
6. Entri deteksi anomali dibuat dan proses deteksi berjalan
7. Untuk melihat hasil deteksi, terdapat dua cara:
8. Klik icon mata pada entri deteksi yang ingin Anda lihat hasilnya
9. Klik menu Hasil Deteksi, kemudian tentukan entri deteksi yang ingin Anda lihat hasilnya dari kriteria di atas tabel
10. Jika proses deteksi sudah selesai, tabel akan menampilkan tipe-tipe anomali apa saja yang terjadi temuan anomali
11. Klik tombol Download untuk melihat dalam bentuk Excel berisi detail karyawan mana saja yang datanya terdeteksi anomali