Sebagian petani kecil di daerah pelosok mungkin tidak pernah memiliki rekening bank formal, tidak punya riwayat kredit, namun rutin bertransaksi melalui dompet digital dan menerima pembayaran hasil panen lewat aplikasi. Dalam model skoring kredit konvensional, petani ini susah mendapat pinjaman karena sistem hanya mengandalkan data historis seperti slip gaji, agunan, dan laporan bank. Namun dengan big data analytics, jejak digital sekecil apa pun kini bisa menjadi bahan penilaian kelayakan kredit yang sah.

Dari Skoring Konvensional ke Analitik 5V

Model skoring kredit tradisional bertumpu pada data terbatas dan statis yang mencakup riwayat pembayaran, rasio utang, dan agunan. Pendekatan ini efektif untuk nasabah mapan dengan riwayat kredit panjang, tetapi gagal menjangkau segmen unbanked dan underbanked yang justru menjadi mayoritas penduduk di negara berkembang.

Karami & Igbokwe (2025) menemukan bahwa pemanfaatan karakteristik 5V big data (Volume, Variety, Velocity, Veracity, dan Value) secara signifikan meningkatkan akurasi prediksi risiko kredit, mengurangi bias dalam profil risiko peminjam, dan mendorong inklusi keuangan bagi segmen yang sebelumnya tak terjangkau sistem perbankan konvensional. Studi ini menegaskan bahwa big data analytics mengatasi keterbatasan model tradisional dengan memperhalus profil risiko dan menghasilkan actionable insights yang lebih tajam. Temuan ini diperkuat oleh Noriega, Rivera, dan Herrera (2023) yang menemukan bahwa model machine learning berbasis boosting (seperti XGBoost) menjadi keluarga algoritma yang paling banyak diteliti untuk prediksi risiko kredit, dengan kemampuan menangani data besar dan tidak terstruktur yang tidak dapat diakomodasi model statistik konvensional.

Mengapa Ini Penting bagi Akuntansi?

Dari perspektif akuntansi, akurasi penilaian risiko kredit bukan sekadar isu teknis pemasaran atau IT. Dia berdampak langsung pada kewajaran estimasi cadangan kerugian dalam laporan keuangan lembaga keuangan. Ketika profil risiko peminjam dinilai secara lebih akurat, estimasi expected credit loss menjadi lebih presisi, sehingga kualitas aset yang dilaporkan bank lebih mencerminkan kondisi ekonomi sesungguhnya, bukan sekadar asumsi statistik yang kasar. Amarnadh dan Moparthi (2023) menemukan bahwa metode berbasis kecerdasan buatan mampu mendeteksi pola aset bermasalah (non-performing assets) dan indikasi kecurangan secara lebih dini dibanding pendekatan konvensional, melalui pemantauan pola pembayaran secara berkelanjutan. Kemampuan deteksi dini ini secara langsung relevan bagi manajemen risiko kredit dan proses pencadangan kerugian di neraca bank.

Implikasi bagi Inklusi Keuangan Indonesia

Bagi lembaga keuangan di Indonesia, tren ini membuka peluang besar untuk menjangkau segmen UMKM dan masyarakat unbanked yang selama ini tersisih dari sistem kredit formal karena tidak memiliki riwayat kredit konvensional. Data alternatif, seperti transaksi e-commerce, penggunaan dompet digital, hingga pola pembayaran tagihan, dapat menjadi basis penilaian risiko yang lebih inklusif tanpa mengorbankan kehati-hatian (prudential principle). Namun, transformasi ini juga menuntut kesiapan regulasi. Otoritas Jasa Keuangan (OJK) perlu memastikan bahwa model big data untuk penilaian kredit tetap transparan, dapat diaudit, dan bebas dari bias algoritmik yang justru bisa menciptakan diskriminasi baru terhadap kelompok tertentu.

Pergeseran dari skoring kredit konvensional menuju penilaian risiko berbasis big data bukan sekadar inovasi teknologi, melainkan langkah strategis menuju inklusi keuangan yang lebih adil sekaligus laporan keuangan yang lebih akurat. Bagi akuntan dan auditor lembaga keuangan, memahami logika di balik model-model ini menjadi kompetensi yang tidak lagi opsional di era digital.

 

Referensi

Amarnadh, V., & Moparthi, N. R. (2023). Comprehensive review of different artificial intelligence-based methods for credit risk assessment in data science. Intelligent Decision Technologies, 17(4), 1265–1282. https://doi.org/10.3233/IDT-230190

Karami, A., & Igbokwe, C. (2025). The impact of big data characteristics on credit risk assessment. International Journal of Data Science and Analytics, 20(5), 4239–4259. https://doi.org/10.1007/s41060-025-00753-8

Noriega, J. P., Rivera, L. A., & Herrera, J. A. (2023). Machine learning for credit risk prediction: A systematic literature review. Data, 8(11), 169. https://doi.org/10.3390/data8110169

Paz, Á., Crawford, B., Monfroy, E., Barrera-García, J., Peña Fritz, Á., Soto, R., Cisternas-Caneo, F., & Yáñez, A. (2025). Machine learning and metaheuristics approach for individual credit risk assessment: A systematic literature review. Biomimetics. https://doi.org/10.3390/biomimetics10050326