Money Laundering Prevention through Regulatory Technology and Internal Audit Function in Indonesia Banking Sector
Notice bibliographique
Résumé
Money laundering poses a significant challenge globally, involving using cash to conceal the origins of funds. With the rise of digitalisation and the adoption of financial technology (FinTech), the financial sector has been compelled to adapt to these changes. The COVID-19 pandemic has further accelerated the use of FinTech services, including digital banking, to address social distancing concerns and enhance customer convenience. Despite having an index of risk considered moderate for money laundering, Indonesia continues to be a destination for these types of illegal activities. Anti-money laundering (AML) and counter-terrorism financing (CFT) programs must be implemented, especially in all financial service providers that Bank Indonesia oversees.Additionally, the internal audit function is crucial in identifying money-laundering activities within banks. However, there needs to be more research regarding integrating RegTech and evaluating internal audit functions in preventing money laundering in Indonesian banks. This paper aims to address this gap by examining the benefits of RegTech solutions and the role of internal audit functions in preventing money laundering. The findings can be used to enhance regulations and implement effective measurement to combat money laundering and illicit activitivities. Furthermore, the study highlights the importance of Indonesia's membership in the Financial Action Task Force (FATF) to strengthen the country's AML framework and contribute to global policies on AML and countering the financing of terrorism.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».