BABEL-SCOPE.COM, Pangkalpinang – Manajemen bank perlu menuntut bukti nilai ekonomi setiap investasi analisis data. Mikalef dan Gupta (2021) menghubungkan kapabilitas kecerdasan artifisial dengan kreativitas organisasi dan kinerja perusahaan melalui pendekatan berbasis sumber daya. Kajian tersebut menempatkan kemampuan organisasi sebagai penjelas penting bagi manfaat teknologi. Saya berpandangan bahwa direksi bank harus menerjemahkan hubungan itu menjadi pertanyaan yang konkret: keputusan apa yang berubah, siapa yang memperoleh manfaat, dan berapa keuntungan tambahan setelah seluruh biaya serta risiko? Pertanyaan tersebut memberi analitik kedudukan sebagai kemampuan manajerial yang harus memenuhi ukuran keberhasilan bisnis.
Pertumbuhan transaksi digital memperbesar kebutuhan bank untuk membaca perilaku nasabah secara cermat. Bank Indonesia (2026) melaporkan 14,26 miliar transaksi pembayaran digital pada triwulan IV 2025, dengan pertumbuhan 39,21 persen dari periode yang sama tahun sebelumnya. Angka tersebut menggambarkan aktivitas pembayaran, bukan jumlah nasabah unik atau keuntungan analitik suatu bank. Alonso Robisco dan Carbó Martínez (2022) juga menunjukkan perlunya menilai manfaat prediksi bersama risiko model. Karena itu, saya menilai peningkatan volume transaksi sebagai alasan untuk memperkuat disiplin pengambilan keputusan, sekaligus menghindari anggapan bahwa bertambahnya data otomatis meningkatkan keuntungan.
Mulai dari keputusan yang perlu berubah
Kualitas keputusan bank bergantung pada kesesuaian data dengan masalah bisnis. Siew dan Farouk (2024), melalui kasus sebuah bank besar di Malaysia, membahas persoalan sistem lama, integrasi, kualitas data, dan keamanan dalam implementasi analitik. Temuan itu mendukung pandangan bahwa manajemen perlu memeriksa fondasi informasi sebelum memperluas pemodelan. Tim kredit membutuhkan riwayat pembayaran yang konsisten, sedangkan tim layanan membutuhkan definisi keluhan dan waktu penyelesaian yang sama. Bank semestinya mengawali investasi dengan pembenahan identitas nasabah, definisi variabel, dan tanggung jawab kualitas data, agar analisis menjawab persoalan yang nyata.
Manajemen perlu membedakan kemampuan memperkirakan kejadian dari kemampuan memilih tindakan yang efektif. Zhang et al. (2022) meninjau estimasi heterogenitas efek perlakuan dan pemodelan uplift, yaitu pendekatan untuk memahami perbedaan dampak suatu intervensi. Kajian tersebut memberi dasar bagi pemisahan pertanyaan tentang kemungkinan kejadian dan pengaruh tindakan. Bank dapat menemukan pola penurunan transaksi, tetapi temuan itu belum menjelaskan apakah penawaran insentif akan mencegah perpindahan nasabah. Atas dasar tersebut, setiap proyek analitik perlu memuat keputusan yang hendak berubah serta pembanding yang memungkinkan bank menilai akibat perubahan itu.
Manajemen harus memilih kompleksitas model berdasarkan manfaat setelah mempertimbangkan risikonya. Alonso Robisco dan Carbó Martínez (2022) membandingkan beberapa algoritma prediksi gagal bayar dan menemukan bahwa model pembelajaran mendalam tidak selalu mengungguli model berbasis pohon pada data pengujian mereka. Hasil tersebut memiliki konteks data tertentu, sehingga bank tetap perlu melakukan validasi lokal. Pelajaran manajerialnya ialah bahwa tambahan ketepatan prediksi harus sepadan dengan biaya komputasi, stabilitas hasil, dan kebutuhan penjelasan. Manajemen perlu menggunakan model sederhana sebagai pembanding awal agar bank dapat menguji alasan ekonomi untuk memilih metode yang lebih kompleks.
Menghubungkan kualitas kredit dengan keadilan keputusan
Analitik kredit perlu membantu bank memahami kemampuan membayar sekaligus memeriksa alasan penilaian risiko. Hlongwane et al. (2024) mengembangkan kerangka kartu skor kredit dengan nilai Shapleyuntuk meningkatkan interpretabilitas model pembelajaran mesin. Kerangka tersebut menunjukkan salah satu cara menjelaskan kontribusi variabel terhadap hasil prediksi. Dalam penerapan bisnis, bank tetap perlu menguji mutu data, kesalahan klasifikasi, dan relevansi karakteristik nasabah. Penjelasan model perlu berfungsi sebagai sarana pemeriksaan yang harus mendukung keputusan mengenai kelayakan dan plafon kredit, sehingga analis dapat mempertanggungjawabkan pertimbangan yang memengaruhi akses pembiayaan.
Bank perlu menilai siapa yang memperoleh keuntungan dari perubahan teknologi penilaian kredit. Fuster et al. (2022), dalam penelitian pasar kredit perumahan Amerika Serikat, menunjukkan bahwa kelompok peminjam memperoleh manfaat penggunaan pembelajaran mesin secara tidak merata. Temuan tersebut menyangkut konteks pasar tertentu dan tidak menetapkan kondisi perbankan Indonesia. Namun, penelitian itu memberi alasan kuat bagi bank untuk memeriksa distribusi kesalahan dan konsekuensi keputusan pada kelompok nasabah yang relevan. Peningkatan ketepatan rata-rata belum memadai jika manajemen mengabaikan kelompok yang menanggung penolakan keliru atau hambatan pembiayaan yang lebih besar.
Membuktikan keuntungan tambahan program nasabah
Prediksi kehilangan nasabah membantu bank menentukan prioritas pemeriksaan, tetapi evaluasi bisnis harus mengikuti tindakan setelah prediksi. Liu et al. (2024) menguji model jaringan saraf hibrida pada empat himpunan data, termasuk data perbankan, dan melaporkan keunggulan terhadap model pembanding pada ukuran pengujian. Penelitian tersebut menilai kemampuan prediksi, bukan keuntungan program retensi bank Indonesia. Tim layanan karena itu perlu memeriksa apakah penurunan aktivitas mencerminkan keluhan, perubahan kebutuhan, atau gangguan layanan. Pemeriksaan penyebab menjadi penghubung yang penting antara skor risiko kehilangan nasabah dan intervensi yang memiliki dasar bisnis.
Keuntungan program pemasaran perlu berasal dari perubahan perilaku akibat program tersebut. Baier dan Stöcker (2022) mengembangkan pemodelan profit uplift dalam pemasaran toko daring untuk memperhitungkan keuntungan inkremental, yaitu keuntungan tambahan yang muncul karena suatu tindakan. Konteks penelitian mereka berbeda dari bank, tetapi prinsip evaluasinya relevan bagi penawaran layanan dan retensi nasabah. Bank perlu membedakan nasabah yang tetap bertahan tanpa insentif dari nasabah yang mengubah keputusan karena program. Manajemen harus menilai keuntungan tambahan setelah biaya kontak, insentif, layanan, dan analitik agar laporan keberhasilan mencerminkan nilai ekonomi yang sesungguhnya.
Pengujian program memerlukan desain pembanding yang mendukung penilaian dampak. Rößler dan Schoder (2022) membandingkan lima belas metode pemodelan uplift dan estimasi heterogenitas efek perlakuan, serta menegaskan pentingnya pemilihan metode bagi kebijakan penargetan. Untuk program layanan yang memungkinkan eksperimen, bank dapat membentuk kelompok program dan kelompok kontrol secara acak. Tim perlu menyepakati periode pengamatan, definisi kehilangan nasabah, dan biaya sebelum memulai pengujian. Disiplin tersebut memberi perlindungan terhadap laporan yang menganggap seluruh nasabah bertahan sebagai keberhasilan program, meskipun sebagian nasabah akan bertahan tanpa intervensi.
Simulasi hipotetik sederhana memperjelas bagaimana bank dapat menerjemahkan dampak retensi menjadi keuntungan. Dengan mengikuti logika keuntungan inkremental Baier dan Stöcker (2022), bayangkan bank membagi dua ribu nasabah secara acak menjadi dua kelompok, masing-masing seribu orang. Dalam ilustrasi satu tahun, kelompok kontrol kehilangan 10 persen nasabah, sementara kelompok program kehilangan 8 persen. Selisih dua poin persentase menghasilkan dua puluh nasabah tambahan yang bertahan. Jika setiap nasabah tambahan menghasilkan kontribusi bersih Rp500.000 setelah biaya dana, layanan rutin, dan risiko, program menghasilkan kontribusi Rp10 juta. Seluruh angka ini merupakan asumsi penulis untuk menjelaskan perhitungan, bukan hasil pengamatan bank tertentu.
Kelayakan program dapat berubah ketika dampak aktual lebih kecil daripada asumsi awal. Misalkan bank mengeluarkan biaya program dan analitik Rp6 juta, simulasi sebelumnya menghasilkan manfaat bersih Rp4 juta dan ROI sederhana sekitar 66,7 persen sebelum pajak serta tanpa diskonto. Jika selisih kehilangan nasabah hanya setengah poin persentase, lima nasabah tambahan menghasilkan kontribusi Rp2,5 juta, sehingga manfaat bersih menjadi minus Rp3,5 juta. Sejalan dengan perhatian Rößler dan Schoder (2022) terhadap estimasi dampak, saya menekankan perlunya menguji ketidakpastian dan sensitivitas. Manajemen perlu membaca angka ROI bersama asumsi biaya dan bukti dampaknya sebelum memperluas program.
Menilai risiko melalui kerugian dan ketahanan
Pengendalian penipuan membutuhkan ukuran yang menggambarkan konsekuensi kesalahan bagi bank dan nasabah. Hafez et al. (2025) meninjau teknik kecerdasan artifisial untuk mendeteksi penipuan kartu kredit serta membahas kebutuhan pembaruan pendekatan ketika pola penipuan berubah. Berdasarkan perhatian tersebut, bank perlu menghubungkan mutu deteksi dengan kerugian finansial, beban pemeriksaan, dan kelancaran transaksi sah. Manajemen perlu menimbang biaya kegagalan menemukan penipuan bersama biaya penahanan transaksi yang sebenarnya aman. Ukuran tersebut memberi tim dasar yang lebih jelas untuk menentukan kapan sistem memerlukan verifikasi tambahan atau pemeriksaan petugas.
Akurasi keseluruhan dapat memberi kesan keberhasilan ketika transaksi penipuan sangat jarang. Cherif et al. (2023) membahas ketidakseimbangan kelas dan persoalan metode dalam kajian deteksi penipuan kartu kredit. Sebagai ilustrasi matematis, satu juta transaksi dengan seribu kasus penipuan memungkinkan model mencapai akurasi 99,9 persen hanya dengan menganggap seluruh transaksi sah. Model tersebut justru gagal menemukan setiap penipuan. Karena itu, saya mendorong bank untuk menilai proporsi kasus penipuan yang sistem temukan, ketepatan peringatan, dan nilai kerugian yang dapat bank cegah. Penilaian demikian menghubungkan mutu statistik dengan tujuan pengendalian risiko yang nyata.
Pengawasan model harus berlanjut setelah bank mulai menggunakannya. Perhatian Hafez et al. (2025) terhadap perubahan pola penipuan mendukung evaluasi berkala terhadap hasil deteksi. Bank perlu membandingkan prediksi dengan kejadian aktual, meninjau lonjakan peringatan keliru, serta menetapkan batas yang memicu pemeriksaan atau penghentian sementara. Tim juga perlu mencatat perubahan model agar manajemen dapat menelusuri alasan perubahan keputusan. Ukuran keberhasilan proyek harus mencakup kemampuan organisasi mengenali penurunan mutu dan melakukan koreksi, sehingga bank tidak bergantung pada hasil pengujian awal ketika lingkungan transaksi sudah berubah.
Analitik likuiditas perlu membantu bank mengenali kebutuhan pendanaan pada kondisi yang berbeda. Guerra et al. (2022) menguji pemodelan risiko likuiditas dengan data pengawasan perbankan Portugal dan menunjukkan kegunaan pembelajaran mesin untuk klasifikasi risiko serta penyusunan skenario tekanan. Temuan tersebut mengikuti konteks pengawasan tertentu, sehingga bank Indonesia tetap perlu menguji kesesuaian model dengan struktur simpanan dan jatuh tempo kewajibannya. Saya mengusulkan agar tim keuangan menghubungkan proyeksi arus kas, konsentrasi sumber dana, dan skenario penarikan simpanan dalam evaluasi yang rutin. Dengan cara itu, manajemen dapat menilai ketahanan pendanaan bersama kebutuhan layanan, sekaligus memeriksa kesalahan proyeksi sebelum mengambil keputusan.
Menempatkan kepercayaan dalam tata kelola analitik
Bank perlu memperlakukan perlindungan data sebagai bagian dari keputusan investasi analitik. Wang et al. (2024), melalui penelitian kualitatif dalam konteks perbankan Pakistan, membahas tantangan privasi dan keamanan siber pada transformasi digital. Temuan tersebut mendukung perhatian terhadap tujuan pemrosesan, akses pegawai, keamanan penyimpanan, dan layanan pihak ketiga. Bank harus menilai manfaat setiap kelompok data bersama kebutuhan dan dasar penggunaannya. Manajemen perlu membatasi akses sesuai tugas serta meninjau masa penyimpanan. Disiplin ini memberi bank dasar untuk menggunakan informasi nasabah secara bertanggung jawab sepanjang proses analisis.
Tata kelola analitik memerlukan tanggung jawab sepanjang siklus penggunaan teknologi. Otoritas Jasa Keuangan (2025) meluncurkan panduan Tata Kelola Kecerdasan Artifisial Perbankan Indonesia pada 29 April 2025 dengan perhatian pada siklus hidup kecerdasan artifisial dan siklus bisnis perbankan. Panduan tersebut mengarahkan pengembangan serta pengoperasian yang etis, aman, dan sesuai regulasi. Bank perlu menerjemahkan arah itu menjadi kepemilikan model, validasi independen, dokumentasi perubahan, dan penanganan keberatan nasabah. Pembagian tanggung jawab yang jelas memungkinkan direksi menilai siapa yang harus bertindak ketika keputusan otomatis menimbulkan masalah.
Penjelasan model harus membantu pengguna memeriksa keputusan yang memengaruhi mereka. Černevičienė dan Kabašinskas (2024), melalui tinjauan terhadap 138 artikel, menunjukkan kebutuhan dan tantangan penjelasan kecerdasan artifisial dalam tugas keuangan. Bank perlu menyesuaikan penjelasan dengan kebutuhan analis, petugas layanan, dan nasabah. Peringkat kontribusi variabel dapat membantu analis memeriksa model, tetapi nasabah membutuhkan alasan yang jelas serta jalur pemeriksaan manusia. Keterbukaan perlu mencerminkan kemampuan menjelaskan dan meninjau keputusan secara bermakna, sehingga bank dapat menghubungkan penggunaan teknologi dengan pertanggungjawaban terhadap nasabah.
Membangun organisasi yang mampu menguji dan belajar
Kemampuan organisasi untuk mengubah kebiasaan kerja menentukan ruang pemanfaatan analitik. Mikalef et al. (2021), melalui studi terhadap 27 perusahaan Eropa, membahas bagaimana inersia organisasi menghambat pembentukan kapabilitas dinamis dalam penggunaan analitik data besar. Studi lintas sektor tersebut memberi alasan untuk menilai kesiapan proses, pegawai, dan perangkat secara bersama. Bank perlu membentuk tim lintas fungsi yang menghubungkan keuangan, pemasaran, operasional, dan risiko. Tim perlu mempunyai kewenangan untuk mempertanyakan data, meninjau kesalahan, serta memperbaiki proses keputusan agar pembelajaran menghasilkan perubahan kerja yang nyata.
Manajemen perlu menilai efisiensi layanan bersama mutu penyelesaian kebutuhan nasabah. Persoalan integrasi dan kualitas data dalam kasus Siew dan Farouk (2024) menunjukkan pentingnya memahami proses sebelum memperluas penerapan analitik. Atas dasar itu, bank perlu memetakan waktu tunggu, pengulangan pekerjaan, dan perpindahan permintaan antarunit. Penghematan biaya perlu berjalan bersama penyelesaian keluhan serta dukungan bagi nasabah yang memerlukan pendampingan. Dengan demikian, bank dapat menilai perubahan proses melalui biaya per transaksi dan kualitas layanan, sehingga efisiensi mempunyai hubungan yang jelas dengan pengalaman nasabah.
Pengembangan analitik perlu mengikuti prioritas bisnis dan kemampuan organisasi untuk menggunakannya. Hubungan kapabilitas teknologi dengan kinerja dalam Mikalef dan Gupta (2021) mendukung perhatian pada sumber daya yang saling melengkapi. Direksi perlu memulai dari satu persoalan dengan data yang memadai, penanggung jawab yang jelas, dan ukuran awal yang memungkinkan tim melakukan evaluasi. Bank kemudian dapat memperluas penerapan ketika pengujian menunjukkan manfaat yang sepadan dengan biaya serta risiko. Pendekatan bertahap memberi manajemen kesempatan membangun kemampuan keputusan, sekaligus memeriksa alasan ekonomi untuk setiap tambahan investasi.
Keunggulan analitik perbankan perlu mencakup manfaat bisnis dan kualitas perlakuan terhadap nasabah. Perhatian Fuster et al. (2022) terhadap distribusi manfaat teknologi serta kajian Černevičienė dan Kabašinskas (2024) mengenai penjelasan keputusan menguatkan kebutuhan penilaian yang lebih luas daripada ketepatan prediksi. Saya berpandangan bahwa bank layak menyebut analitik sebagai investasi strategis ketika organisasi dapat menjelaskan keuntungan tambahan, mengenali kelompok yang menanggung kesalahan, dan memperbaiki keputusan yang bermasalah. Komitmen tersebut menempatkan kecanggihan teknologi dalam pertanggungjawaban manajemen, dengan nilai ekonomi dan kepercayaan nasabah sebagai ukuran yang harus berjalan bersama.
Referensi
Alonso Robisco, A., & Carbó Martínez, J. M. (2022). Measuring the model risk-adjusted performance of machine learning algorithms in credit default prediction. Financial Innovation, 8, Article 70. https://doi.org/10.1186/s40854-022-00366-1
Baier, D., & Stöcker, B. (2022). Profit uplift modeling for direct marketing campaigns: Approaches and applications for online shops. Journal of Business Economics, 92, 645–673. https://doi.org/10.1007/s11573-021-01068-3
Bank Indonesia. (2026, 21 Januari). BI-Rate tetap 4,75%: Mendorong pertumbuhan ekonomi, mempertahankan stabilitas. Publikasi resmi
Černevičienė, J., & Kabašinskas, A. (2024). Explainable artificial intelligence (XAI) in finance: A systematic literature review. Artificial Intelligence Review, 57, Article 216. https://doi.org/10.1007/s10462-024-10854-8
Cherif, A., Badhib, A., Ammar, H., Alshehri, S., Kalkatawi, M., & Imine, A. (2023). Credit card fraud detection in the era of disruptive technologies: A systematic review. Journal of King Saud University Computer and Information Sciences, 35(1), 145–174. https://doi.org/10.1016/j.jksuci.2022.11.008
Fuster, A., Goldsmith-Pinkham, P., Ramadorai, T., & Walther, A. (2022). Predictably unequal? The effects of machine learning on credit markets. The Journal of Finance, 77(1), 5–47. https://doi.org/10.1111/jofi.13090
Guerra, P., Castelli, M., & Côrte-Real, N. (2022). Machine learning for liquidity risk modelling: A supervisory perspective. Economic Analysis and Policy, 74, 175-187. https://doi.org/10.1016/j.eap.2022.02.001
Hafez, I. Y., Hafez, A. Y., Saleh, A., Abd El-Mageed, A. A., & Abohany, A. A. (2025). A systematic review of AI-enhanced techniques in credit card fraud detection. Journal of Big Data, 12, Article 6. https://doi.org/10.1186/s40537-024-01048-8
Hlongwane, R., Ramaboa, K., & Mongwe, W. (2024). A novel framework for enhancing transparency in credit scoring: Leveraging Shapley values for interpretable credit scorecards. PLOS ONE, 19(8), Article e0308718. https://doi.org/10.1371/journal.pone.0308718
Liu, X., Xia, G., Zhang, X., Ma, W., & Yu, C. (2024). Customer churn prediction model based on hybrid neural networks. Scientific Reports, 14, Article 30707. https://doi.org/10.1038/s41598-024-79603-9
Mikalef, P., & Gupta, M. (2021). Artificial intelligence capability: Conceptualization, measurement calibration, and empirical study on its impact on organizational creativity and firm performance. Information & Management, 58(3), Article 103434. https://doi.org/10.1016/j.im.2021.103434
Mikalef, P., van de Wetering, R., & Krogstie, J. (2021). Building dynamic capabilities by leveraging big data analytics: The role of organizational inertia. Information & Management, 58(6), Article 103412. https://doi.org/10.1016/j.im.2020.103412
Otoritas Jasa Keuangan. (2025, 29 April). OJK dorong penggunaan kecerdasan artifisial di sektor perbankan secara bertanggung jawab: Peluncuran Tata Kelola Kecerdasan Artifisial Perbankan Indonesia. Publikasi resmi
Rößler, J., & Schoder, D. (2022). Bridging the gap: A systematic benchmarking of uplift modeling and heterogeneous treatment effects methods. Journal of Interactive Marketing, 57(4), 629–650. https://doi.org/10.1177/10949968221111083
Siew, E.-G., & Farouk, F. M. (2024). Big data analytics implementation issues: A case study of a large bank in Malaysia. Journal of Information Technology Teaching Cases, 14(2), 213–216. https://doi.org/10.1177/20438869231176836
Wang, S., Asif, M., Shahzad, M. F., & Ashfaq, M. (2024). Data privacy and cybersecurity challenges in the digital transformation of the banking sector. Computers & Security, 147, Article 104051. https://doi.org/10.1016/j.cose.2024.104051
Zhang, W., Li, J., & Liu, L. (2022). A unified survey of treatment effect heterogeneity modelling and uplift modelling. ACM Computing Surveys, 54(8), Article 162. https://doi.org/10.1145/3466818