• Tentang InfoKanMas
• Latar Belakang
• Fitur Utama
• Teknologi
• Instalasi
• Roadmap
• Tim Pengembang
• Lisensi

InfoKanMas adalah platform monitoring real-time untuk semua jenis dana publik dengan sistem validasi berlapis menggunakan teknologi AI/ML. Platform ini dirancang untuk meningkatkan transparansi dan akuntabilitas dalam pengelolaan anggaran daerah di Indonesia.

Admin Kabupaten - Monitoring dan approval anggaran dengan AI recommendation

Admin Daerah - Pengajuan RAB dan pelaporan realisasi program

Masyarakat - Akses informasi transparan dan pelaporan partisipatif

Mewujudkan pengelolaan anggaran publik yang transparan, akuntabel, dan bebas korupsi melalui pemanfaatan teknologi AI/ML untuk Indonesia yang lebih baik.

Pengelolaan anggaran publik di Indonesia masih menghadapi berbagai tantangan serius terkait transparansi dan akuntabilitas. Berdasarkan studi kasus di Kabupaten Purbalingga, Jawa Tengah, ditemukan beberapa pola penyimpangan yang umum terjadi.

Pembangunan Jembatan Merah (2022-2023)

• Nilai Proyek: Rp 13,2 miliar

• Masalah: Manipulasi laporan pekerjaan dan kualitas konstruksi tidak sesuai spesifikasi

• Dampak: Material di bawah standar, jembatan hanya dapat dilalui kendaraan kecil

• Sumber:

  https://www.ayobandung.com/umum/7914805356/jembatan-merah-purbalingga-diduga-dikorupsi-dan-rugikan-negara-rp132-miliar-padahal-jadi-penghubung-2-daerah-ini?page=1&utm_source=chatgpt.com

  https://www.detik.com/jateng/hukum-dan-kriminal/d-7992743/eks-cawabup-purbalingga-dituntut-5-tahun-bui-di-kasus-korupsi-jembatan-merah?utm_source=chatgpt.com

Dugaan Penggelembungan Dana MCK Desa Bojanegara (2024)

• Nilai Proyek: Rp 30 juta (Dana Desa)

• Masalah: Ukuran bangunan (1,5 x 3 meter) tidak sebanding dengan anggaran

• Dampak: Tidak ada transparansi rincian penggunaan dana

• Sumber:

  https://selidikkasus.com/2025/02/14/diduga-penggelembungan-dana-dan-maladministrasi-pada-pembangunan-mck-di-stand-kios-desa-bojanegara/?utm_source=chatgpt.com

  https://www.jejakinvestigasi.id/2025/02/pembangunan-mck-di-stand-kios-desa.html

Mark-up Proyek Jalan Desa Sumberejo (2024)

• Nilai Proyek: Rp 1 miliar

• Laporan: Jalan 2 km dengan ketebalan aspal 10 cm

• Realitas: Hanya 1,5 km terealisasi dengan ketebalan 3-4 cm

• Estimasi kerugian: Rp 400 juta

• Sumber:

  https://www.antaranews.com/berita/2320706/tim-penyidik-kpk-geledah-dua-lokasi-di-purbalingga?utm_source=chatgpt.com

  https://www.kompas.id/artikel/petugas-kpk-geledah-kantor-pt-sw-selama-7-jam-di-purbalingga-terkait-kasus-banjarnegara

Dari berbagai kasus di atas, teridentifikasi pola-pola berikut:

• Mark-up anggaran dan manipulasi volume pekerjaan
• Penyalahgunaan dana desa
• Kesalahan data penerima bantuan sosial
• Kurangnya dokumentasi dan verifikasi lapangan
• Minimnya partisipasi publik dalam pengawasan

Platform ini memonitor enam kategori utama anggaran daerah:

Bantuan Sosial & Bantuan Langsung

Sembako, bantuan tunai, beasiswa dengan validasi NIK dan konfirmasi penerima langsung

Pembangunan Infrastruktur

Jalan, jembatan, gedung publik dengan sistem milestone bertahap dan dokumentasi wajib

Perjalanan Dinas

Transport, akomodasi, uang harian dengan GPS tracking dan dokumentasi kegiatan

Belanja Operasional

ATK, konsumsi, utilitas dengan validasi harga pasar dan dokumentasi penggunaan

Pengadaan Barang/Jasa

Komputer, kendaraan, peralatan dengan e-tender transparan dan verifikasi barang

Kegiatan/Event

Seminar, pelatihan, festival dengan daftar hadir digital dan dokumentasi peserta

Layer 1: AI Price Check

Membandingkan harga dengan HSPK dan harga pasar real-time, alert otomatis jika markup >20%

Layer 2: Document Validation

Verifikasi keaslian dokumen dengan computer vision, deteksi manipulasi dan dokumen palsu

Layer 3: GPS & Location Tracking

Memastikan kegiatan benar terjadi di lokasi yang diklaim dengan timeline tracking

Layer 4: Photo/Video Evidence

Dokumentasi visual setiap tahap dengan analisis before-after menggunakan AI

Layer 5: Direct Confirmation

Konfirmasi langsung dari penerima manfaat via SMS/WhatsApp dengan QR code tracking

Layer 6: Public Monitoring

Portal transparan untuk akses publik dengan sistem pelaporan partisipatif

Layer 7: Independent Audit

Random sampling untuk verifikasi lapangan oleh tim surveyor independen

Fraud Detection System

Deteksi otomatis untuk anggaran tidak wajar, dokumen palsu, duplikasi pengajuan, dan pola vendor mencurigakan

Smart RAB Scoring

Penilaian otomatis kelayakan RAB berdasarkan Completeness (30%), Feasibility (25%), Impact (20%), Track Record (15%), dan Urgency (10%)

Output berupa score 0-100 dengan rekomendasi: Auto-approve (≥80), Manual review (50-79), atau Reject (<50)

Budget Forecasting

Prediksi kebutuhan anggaran menggunakan time series analysis dengan confidence interval 85-92%

Real-time Analytics

Dashboard interaktif dengan alert otomatis untuk anomali spending dan perbandingan dengan daerah sejenis

┌─────────────────────────────────────────────────────┐
│                  FRONTEND LAYER                     │
│      React.js + Tailwind CSS + Recharts             │
│  Admin Pusat | Admin Daerah | Public Portal         │
└────────────────────┬────────────────────────────────┘
                     │ REST API (JWT Auth)
┌────────────────────┴────────────────────────────────┐
│                  BACKEND LAYER                      │
│         Laravel 10 + MySQL + Redis                  │
│  Auth Service | RAB Management | Spending Tracker   │
└────────────────────┬────────────────────────────────┘
                     │ HTTP/REST
┌────────────────────┴────────────────────────────────┐
│                  AI/ML LAYER                        │
│      Python + Flask/FastAPI + Scikit-learn          │
│  Fraud Detection | RAB Scoring | Budget Prediction  │
└─────────────────────────────────────────────────────┘

Frontend

• Framework: React.js 18.x
• Styling: Tailwind CSS
• Charts: Recharts / Chart.js
• HTTP Client: Axios
• State Management: React Hooks

Backend

• Framework: Laravel 10
• Database: MySQL 8.0
• Cache: Redis
• Authentication: Laravel Sanctum (JWT)
• Queue: Laravel Queue

AI/ML

• Language: Python 3.9+
• API Framework: Flask / FastAPI
• ML Library: Scikit-learn
• Data Processing: Pandas + NumPy
• Models: Isolation Forest, Random Forest, ARIMA

Pastikan sistem Anda telah terinstall:

• Node.js >= 16.x
• PHP >= 8.1
• Composer
• MySQL >= 8.0
• Python >= 3.9

cd backend
composer install
cp .env.example .env
php artisan key:generate
php artisan migrate --seed
php artisan serve

cd frontend
npm install
cp .env.example .env
npm start

cd ai-service
python -m venv venv
source venv/bin/activate
pip install -r requirements.txt
python app.py

• Frontend: http://localhost:3000
• Backend API: http://localhost:8000
• AI/ML API: http://localhost:5000

Status: Selesai dalam 6 hari (2 hari perencanaan + 4 hari development)

Deliverables:

• Multi-role authentication system
• Basic RAB submission dan approval workflow
• Simple fraud detection model
• Public transparency dashboard
• Core API endpoints

Fitur:

• Advanced fraud detection dengan deep learning
• OCR untuk ekstraksi data otomatis
• NLP untuk analisis laporan masyarakat
• Computer vision untuk validasi foto
• Graph neural network untuk deteksi fraud network

Fitur:

• Mobile app untuk Admin Daerah
• Mobile app untuk penerima manfaat
• GPS tracking terintegrasi
• Offline mode

Fitur:

• Integrasi dengan SIPD
• Integrasi dengan e-Budgeting
• API terbuka untuk peneliti
• Multi-region deployment

Al Zaki Ibra Ramadani Frontend Developer

Syifa Isnantyana Putri Backend Developer

Aisyah Altho Funisa ML Engineer

Timeline Pengembangan:

• Hari 1-2: Perencanaan dan diskusi konsep
• Hari 3-6: Development intensif (4 hari)

Proyek ini terbuka untuk kontribusi. Kami menyambut kontribusi dalam bentuk:

• Code contribution (frontend, backend, ML)
• Bug reports dan feature requests
• Dokumentasi dan tutorial
• Testing dan quality assurance

Lihat CONTRIBUTING.md untuk panduan lengkap.

Berdasarkan estimasi konservatif untuk kabupaten dengan APBD Rp 2 Triliun:

Estimasi Kebocoran Tanpa Sistem:

• Infrastruktur: 15-20% (Rp 90-120 M)
• Operasional: 10-15% (Rp 30-45 M)
• Bantuan Sosial: 20-25% (Rp 40-50 M)
• Perjalanan Dinas: 30-40% (Rp 30-40 M)
• Total kebocoran: Rp 190-255 Miliar per tahun

Dengan InfoKanMas:

• Total savings: Rp 135-220 Miliar per tahun
• Biaya implementasi: Rp 1 Miliar (one-time)
• Biaya operasional: Rp 800 Juta per tahun
• ROI tahun pertama: 7,400% - 12,100%
• Break-even time: 1 bulan

Peningkatan Transparansi

Semua program dapat diakses publik dengan dokumentasi lengkap dan monitoring real-time

Peningkatan Akuntabilitas

Validasi berlapis mencegah penyimpangan dengan audit trail lengkap

Peningkatan Kepercayaan Publik

Partisipasi masyarakat dalam pengawasan dan transparansi total

Efisiensi Birokrasi

Otomasi proses approval dan pengurangan paperwork

Proyek ini dilisensikan di bawah MIT License.

Copyright (c) 2024 InfoKanMas Team

Permission is hereby granted, free of charge, to any person obtaining a copy
of this software and associated documentation files (the "Software"), to deal
in the Software without restriction, including without limitation the rights
to use, copy, modify, merge, publish, distribute, sublicense, and/or sell
copies of the Software, and to permit persons to whom the Software is
furnished to do so, subject to the following conditions:

The above copyright notice and this permission notice shall be included in all
copies or substantial portions of the Software.

Email: [email protected]

Website: https://infokanmas.id (under construction)

GitHub: https://github.com/infokanmas

• Dokumentasi lengkap: https://docs.infokanmas.id (coming soon)
• API Documentation: https://api.infokanmas.id/docs (coming soon)
• Video tutorial: https://youtube.com/@infokanmas (coming soon)

Proyek ini terinspirasi dari berbagai inisiatif transparansi anggaran di Indonesia dan dunia. Terima kasih kepada:

• Komisi Pemberantasan Korupsi (KPK) untuk data dan insight
• Badan Pemeriksa Keuangan (BPK) untuk metodologi audit
• Open Government Partnership (OGP) Indonesia
• Komunitas open source
• Para peneliti dan aktivis anti-korupsi