Saat orang membayangkan machine learning di industri keuangan, yang terbayang biasanya robot trading dan AI advisor yang jenius membaca pasar. Kenyataannya, dari sudut pandang orang yang membangun software untuk industri pembiayaan, jauh lebih tidak dramatis tapi jauh lebih berguna. Machine learning di keuangan sebagian besar adalah sistem scoring yang diam-diam menjawab tiga pertanyaan yang tidak glamor: apakah orang ini akan membayar, apakah transaksi ini mencurigakan, dan siapa yang harus dihubungi lebih dulu.

Sistem-sistem ini sudah berjalan di produksi di bank, perusahaan multifinance, dan fintech lending Indonesia selama bertahun-tahun. Ini bukan eksperimen. Sistem ini menyetujui atau menolak pengajuan pinjaman sementara Anda menyeruput kopi, dan menentukan akun mana yang menunggak yang harus ditelepon hari ini.

Memahami apa yang sebenarnya dilakukan sistem-sistem ini, dan yang sama pentingnya apa yang tidak bisa mereka lakukan, berguna baik Anda bekerja di industri keuangan, menjual ke industri ini, atau sekadar bertanya-tanya apa yang bisa dilakukan machine learning untuk bisnis Anda sendiri.

Kenapa Industri Keuangan Lebih Dulu Mengadopsi Machine Learning

Industri keuangan bukan yang pertama karena bankir cinta teknologi. Industri ini jadi yang pertama karena secara kebetulan memenuhi semua prasyarat yang dibutuhkan machine learning:

  • Data berlabel dalam skala besar. Setiap pinjaman yang pernah dicairkan datang dengan kunci jawaban bawaan: lunas atau tidak. Jutaan contoh historis, masing-masing dilabeli oleh kenyataan itu sendiri. Kebanyakan industri harus membayar manusia untuk melabeli data. Industri keuangan mendapat label secara gratis.
  • Biaya kesalahan yang jelas dan terukur. Pinjaman macet punya nilai rupiah yang spesifik. Ini membuat perhitungan apakah sebuah model layak dijalankan jadi mudah, yang membuat persetujuan anggaran jadi lebih sederhana.
  • Keputusan yang berulang ribuan kali. Menilai satu pengajuan adalah keputusan judgment. Menilai 10.000 pengajuan sebulan adalah masalah pattern-matching, dan pattern-matching dalam volume besar adalah persis yang dikerjakan machine learning dengan baik.
  • Margin tipis di setiap keputusan. Model yang 5 persen lebih baik dari rulebook lama, diterapkan ke portofolio besar, berarti tambahan miliaran rupiah per tahun.

Bandingkan ini dengan, katakanlah, marketing, di mana label ("apakah kampanye ini berhasil?") ambigu dan tertunda. Pelajarannya bisa digeneralisasi: machine learning bekerja baik di tempat data berlabel dan kesalahan terukur, dan kesulitan di tempat lain.

Credit Scoring: Kuda Beban Utama

Credit scoring adalah use case tertua dan terbesar. Model scoring mengambil apa yang diketahui tentang pemohon, penghasilan, pekerjaan, kewajiban yang sudah ada, riwayat pembayaran, kadang data telepon dan perilaku untuk pemberi pinjaman digital, lalu menghasilkan satu angka: estimasi probabilitas pinjaman ini akan macet.

Yang berubah dengan machine learning bukan konsepnya, bank sudah melakukan credit scoring dengan scorecard statistik selama puluhan tahun. Yang berubah adalah cakupan dan kecepatannya:

  • Scorecard lama mungkin memakai 10 sampai 20 variabel yang dipilih analis. Model modern bisa menimbang ratusan sinyal beserta interaksi antar sinyal tersebut.
  • Keputusan yang dulu butuh berhari-hari review manual sekarang hanya butuh hitungan detik, itulah sebabnya pemberi pinjaman online bisa menyetujui pinjaman Rp 5 juta dalam hitungan menit.
  • Model dikalibrasi ulang secara rutin seiring datangnya data pembayaran baru, sehingga model mengikuti kondisi ekonomi, bukan malah menua secara diam-diam.

Kebenaran yang tidak glamor: model tidak "memutuskan" apa pun. Model hanya mengurutkan pemohon berdasarkan risiko. Manusia tetap yang menentukan batas ambang (cutoff), suku bunga per tingkat risiko, dan aturan kebijakan yang dilapiskan di atasnya, seperti eksposur maksimum per peminjam. Model adalah mesin pengurutan yang sangat baik di dalam kebijakan yang dirancang manusia.

Deteksi Fraud: Scoring di Kecepatan Transaksi

Deteksi fraud adalah ide yang sama, hanya diarahkan ke transaksi, bukan pemohon. Setiap transaksi mendapat skor risiko dalam hitungan milidetik, berdasarkan sinyal seperti nominal, waktu, perangkat, lokasi, merchant, dan bagaimana semua itu dibandingkan dengan perilaku normal akun tersebut.

Desain operasionalnya lebih penting daripada modelnya sendiri:

  1. Skor rendah lolos tanpa hambatan. Ini 99 persen atau lebih dari total traffic.
  2. Skor menengah memicu friksi, OTP, prompt konfirmasi, atau penahanan sementara.
  3. Skor tinggi diblokir dan diteruskan ke analis fraud manusia.

Penjenjangan ini ada karena false positive punya biaya nyata. Blokir transaksi sah milik nasabah dua kali, dan mereka akan memindahkan transaksinya ke tempat lain. Karena itu tim fraud terus-menerus menyetel ambang batas ini, menukar kerugian akibat fraud dengan gangguan kenyamanan nasabah. Model menyediakan skornya, manusia yang memegang keputusan trade-off-nya.

Pelaku fraud juga terus beradaptasi, yang membuat model fraud menjadi sistem paling haus perawatan di industri keuangan. Model yang dibiarkan tanpa pembaruan selama setahun adalah model yang sedang aktif dieksploitasi.

Prioritas Penagihan: Pencetak Uang yang Diam-Diam

Ini use case yang hampir tidak pernah dibicarakan orang di luar industri, dan di multifinance ini seringkali menjadi model dengan ROI tertinggi dari semuanya. Ketika sebuah lender punya puluhan ribu akun menunggak dan hanya beberapa ratus kolektor, pertanyaan hariannya sangat praktis: siapa yang kita hubungi hari ini, dan dengan cara apa?

Machine learning menjawabnya dengan memberi skor ke setiap akun menunggak berdasarkan pertanyaan seperti:

  • Seberapa besar kemungkinan nasabah ini membayar kalau sekadar diingatkan lewat WhatsApp atau SMS, dengan biaya yang nyaris nol?
  • Akun mana yang benar-benar butuh kunjungan lapangan, kanal yang paling mahal?
  • Akun mana yang kemungkinan besar tidak akan tertagih berapapun usahanya, sehingga upaya di sana sia-sia?

Sebuah perusahaan multifinance yang saya kenal, dari jenis yang membiayai kendaraan di ratusan cabang, merestrukturisasi antrean penagihannya dengan cara ini: pengingat otomatis murah untuk pembayar berpeluang tinggi, panggilan telepon manusia untuk kelompok menengah, kunjungan lapangan disisakan hanya untuk akun yang kunjungannya benar-benar mengubah hasil secara terukur. Peningkatan recovery rate-nya berada di kisaran single digit rendah persen, yang terdengar kecil sampai Anda menerapkannya ke portofolio bernilai triliunan rupiah.

Tidak ada robot. Tidak ada prediksi jenius. Hanya triase yang lebih baik, setiap pagi.

Apa yang Tidak Bisa Dilakukan Sistem-Sistem Ini

Batasannya sama instruktifnya dengan kemampuannya:

  • Tidak bisa menjelaskan diri sendiri dengan baik. Model yang kompleks bisa memberi skor penolakan tapi kesulitan memberi alasan yang jelas ke pemohon. Regulator semakin menuntut explainability, itulah sebabnya banyak lender sengaja memakai model yang lebih sederhana dari yang secara teknis mereka mampu buat.
  • Tidak bisa menangani sesuatu yang belum pernah dilihat. Model yang dilatih dengan data sebelum 2020 tampil buruk ketika pandemi mengubah perilaku pembayaran secara mendadak. Setiap model adalah rangkuman dari masa lalu, dan masa lalu terkadang berhenti menjadi panduan yang relevan.
  • Mewarisi bias dari sejarah. Jika praktik pinjaman historis merugikan suatu daerah atau profesi tertentu, model yang dilatih dari sejarah itu akan mereproduksinya dengan setia. Mendeteksi dan mengoreksi ini adalah kerja manusia yang berkelanjutan, bukan perbaikan sekali jadi.
  • Tidak menghilangkan manusia, hanya memindahkan mereka. Analis berhenti mereview pengajuan rutin dan mulai memantau model, menyetel ambang batas, dan menangani kasus ambigu di tengah-tengah. Jumlah headcount seringkali tetap sama, yang berubah adalah jenis pekerjaannya.

Kalau ada vendor yang menawarkan sistem ML keuangan ke Anda tanpa menyebut satu pun dari batasan-batasan ini, itu sendiri sudah memberi tahu sesuatu. Saya punya daftar pertanyaan yang layak ditanyakan ke vendor AI mana pun sebelum uang berpindah tangan.

Kesimpulan Praktisnya

Machine learning di industri keuangan itu rutin, menguntungkan, dan membosankan, dan justru itulah yang membuatnya berhasil. Pola di balik setiap penerapan yang sukses selalu sama: keputusan berulang, dibuat ribuan kali, dengan hasil historis berlabel dan biaya kesalahan yang terukur. Credit scoring, flag fraud, dan triase penagihan semuanya persis mengikuti pola itu.

Kalau Anda sedang mengevaluasi machine learning untuk bisnis Anda sendiri, abaikan citra robotnya dan uji ide Anda dengan pola tersebut. Apakah Anda punya labelnya? Apakah keputusannya berulang dalam volume besar? Bisakah Anda menghitung biaya kalau salah? Tiga jawaban ya, dan Anda punya kandidat yang nyata. Kurang dari itu, Anda sedang membeli proyek sains belaka.