Selama puluhan tahun, bank dan lembaga keuangan menilai kelayakan kredit nasabah dengan cara yang relatif sederhana, yaitu skor kredit berbasis statistik, riwayat pembayaran, dan penilaian manual dari petugas kredit. Model ini bekerja cukup baik ketika data yang tersedia terbatas pada laporan keuangan dan riwayat pinjaman. Namun di era digital, volume data yang dihasilkan oleh transaksi elektronik, media sosial, perangkat seluler, dan platform e-commerce tumbuh jauh melampaui kapasitas model konvensional untuk memanfaatkannya secara optimal. Di sinilah big data dan kecerdasan buatan mengubah wajah manajemen risiko keuangan.<\/p>\n
Dari Skor Kredit ke Kecerdasan Prediktif<\/strong><\/p>\n Theodorakopoulos, Theodoropoulou, dan Bakalis (2025) menemukan bahwa teknik machine learning <\/em>tingkat lanjut secara konsisten menghasilkan akurasi prediktif yang jauh lebih kuat dibanding model statistik tradisional dalam menilai risiko keuangan, mulai dari risiko kredit, risiko fraud (kecurangan), hingga risiko sistemik yang mengancam stabilitas sektor keuangan secara keseluruhan. Meski demikian, penelitian tersebut juga menyoroti bahwa penerapan nyata di lapangan masih terkonsentrasi secara geografis, terutama pada sektor perbankan dan fintech di Tiongkok dan Eropa, sehingga masih ada kesenjangan implementasi di kawasan lain termasuk Asia Tenggara.<\/p>\n Noriega, Rivera, dan Herrera (2023) juga mengidentifikasi bahwa algoritma machine learning<\/em> mampu mengolah volume data berdimensi tinggi, mulai dari data transaksi hingga data alternatif seperti pola penggunaan telepon seluler. Kemampuan ini memungkinkan model menghasilkan prediksi risiko kredit yang jauh lebih granular dibanding pendekatan konvensional. Sebagai perbandingan, model skoring tradisional hanya mengandalkan variabel demografis dan riwayat pinjaman yang sifatnya statis dan terbatas.<\/p>\n Dari Kredit ke Deteksi Kecurangan<\/strong><\/p>\n Big data<\/em> tidak hanya mengubah cara bank menilai calon peminjam, tetapi juga cara mendeteksi transaksi mencurigakan secara real-time. Ileberi, Sun, dan Wang (2022) mengembangkan model deteksi fraud kartu kredit yang menggabungkan algoritma genetika untuk seleksi fitur dengan berbagai model machine learning<\/em>. Hasil penelitian mereka menunjukkan bahwa pemilihan fitur yang tepat dari data transaksi berskala besar dapat meningkatkan akurasi deteksi kecurangan secara signifikan dibanding pendekatan berbasis aturan (rule-based<\/em>) yang selama ini lazim digunakan industri.<\/p>\n Jemai dan Zarrad (2023) dalam penelitiannya membandingkan empat metode seleksi fitur untuk menilai risiko kredit di perbankan ritel. Mereka menemukan bahwa kualitas variabel yang dipilih dari big data<\/em> lebih menentukan performa model dibanding kompleksitas algoritma itu sendiri. Temuan ini penting bagi praktisi akuntansi yang membutuhkan model akurat sekaligus dapat diaudit.<\/p>\n Menuju Prediksi Risiko Sistemik<\/strong><\/p>\n Tantangan berikutnya adalah menghubungkan risiko pada level individu dengan risiko sistemik yang dapat memicu krisis keuangan menyeluruh, seperti krisis 2008. Big data memungkinkan analisis jaringan antarlembaga keuangan dan interkoneksi eksposur kredit secara real-time. Sesuatu yang mustahil dilakukan dengan laporan triwulanan konvensional. Namun Theodorakopoulos dkk. (2025) menegaskan penelitian di area ini masih relatif baru dan membutuhkan kolaborasi lintas disiplin antara akuntansi, ilmu data, dan kebijakan makroprudensial.<\/p>\n Implikasi bagi Akuntansi dan Tata Kelola<\/strong><\/p>\n Bagi profesi akuntansi, pergeseran ini menuntut kompetensi baru yaitu kemampuan membaca dan mengaudit model prediktif, bukan sekadar laporan keuangan historis. Model big data<\/em> yang akurat namun tidak transparan (black box<\/em>) berisiko menyulitkan proses audit dan pertanggungjawaban. Karena itu, ke depan, integrasi antara akurasi prediktif dan interpretabilitas model akan menjadi kunci agar big data benar-benar dapat dipercaya sebagai fondasi manajemen risiko keuangan modern, bukan hanya di negara maju, tetapi juga di pasar berkembang seperti Indonesia.<\/p>\n <\/p>\n Referensi<\/strong><\/p>\n Ileberi, E., Sun, Y., & Wang, Z. (2022). A machine learning based credit card fraud detection using the GA algorithm for feature selection. Journal of Big Data<\/em>, 9(1), 24. https:\/\/doi.org\/10.1186\/s40537-022-00573-8<\/a><\/p>\n Jemai, J., & Zarrad, A. (2023). Feature Selection Engineering for Credit Risk Assessment in Retail Banking. Information<\/em>, 14(3), 200. https:\/\/doi.org\/10.3390\/info14030200<\/a><\/p>\n Noriega, J. P., Rivera, L. A., & Herrera, J. A. (2023). Machine Learning for Credit Risk Prediction: A Systematic Literature Review. Data<\/em>, 8(11), 169. https:\/\/doi.org\/10.3390\/data8110169<\/a><\/p>\n