Bagaimana Pemodelan Risiko Kredit Bergerak Melampaui Scorecard

Saat Anda membangun produk kredit, pertanyaan tersulit bukanlah apakah seorang peminjam akan gagal bayar. Pertanyaan tersulitnya adalah seberapa yakin model Anda dengan prediksinya sendiri. Kita memperlakukan credit scoring sebagai masalah klasifikasi biner: terima atau tolak. Padahal, risiko finansial bukanlah biner; ia adalah spektrum ketidakpastian. Namun, sebagian besar perangkat yang digunakan bank untuk mengukur risiko tersebut berasumsi bahwa ketidakpastian itu tidak ada. Jika Anda meminta model standar untuk memberikan probabilitas, model tersebut hanya akan memberikan satu estimasi titik. Model tersebut tidak memberi tahu Anda apakah estimasinya didukung oleh ribuan riwayat pembayaran yang identik, atau sekadar menebak berdasarkan dataset tipis dari segmen pasar yang baru. Seperti yang ditunjukkan oleh data, industri masih terjebak pada penggunaan perangkat yang lebih memprioritaskan jawaban rapi ketimbang penilaian keraguan yang jujur.

Poin-poin penting

• Model deterministik mendominasi. Sebuah ulasan tahun 2026 terhadap 77 studi risiko kredit menemukan bahwa 34% penggunaan model bergantung pada metode berbasis pohon (seperti Random Forest dan XGBoost), sementara model linear tradisional masih menyumbang 47 penggunaan.
• AI probabilistik kurang dimanfaatkan. Hanya 6% dari aplikasi model dalam literatur yang menggunakan AI probabilistik, menyisakan celah besar dalam cara perbankan mengukur ketidakpastian prediksi.
• AI generatif adalah peluang yang terlewatkan. Jarangnya kasus gagal bayar menjadikan ketidakseimbangan kelas (class imbalance) sebagai tantangan teknis yang paling banyak disebut, memengaruhi 23% dari isu pemodelan yang dilaporkan. Model generatif seperti GAN dan VAE menawarkan solusi yang belum banyak digunakan untuk membuat data peminjam sintetis.
• XAI masih langka. Di tengah tuntutan regulasi, teknik explainable AI (XAI) seperti SHAP hanya muncul di 15 dari 77 studi.

Mengapa model deterministik masih menguasai komite kredit

Algoritma berbasis pohon dan model linear tetap menjadi pilihan utama karena mudah dijelaskan dan diukur skalanya. Ulasan sistematis tahun 2026 yang diterbitkan dalam Finance Research Open menganalisis 77 studi terbaru tentang penilaian risiko kredit di perbankan. Data tersebut menunjukkan bahwa model berbasis pohon menyumbang 34% dari seluruh aplikasi model (total 97 penggunaan), dengan Random Forest memimpin pada 29 penggunaan. Model linear menyusul di belakangnya, dengan Logistic Regression diterapkan sebanyak 41 kali.

Saya berpendapat ini bukan sekadar tentang preferensi warisan sistem lama. Saat Anda duduk untuk membangun infrastruktur keputusan bagi sebuah produk pinjaman, Anda membutuhkan model yang dapat melewati pemeriksaan regulasi. Regresi logistik memberikan Anda koefisien yang bisa langsung diserahkan kepada petugas kepatuhan. Random Forest dan Gradient Boosting Machines menangani kumpulan data besar dan non-linear dengan efisien. Namun, ini semua adalah model deterministik. Model ini mengeluarkan estimasi titik tunggal, skor probabilitas, tapi tidak memberi tahu Anda seberapa besar ketidakpastian epistemik yang menyelimuti skor tersebut. Mereka memberi Anda jawaban, tetapi tidak bisa memberi tahu Anda kapan mereka sedang menebak. Bagi seorang pemimpin produk, mengoptimalkan estimasi titik yang mudah dijelaskan sering kali berarti mengorbankan konteks lebih dalam yang justru dibutuhkan untuk keputusan kredit yang kompleks.

Harga dari mengabaikan ketidakpastian

Anda tidak bisa menetapkan harga risiko dengan akurat jika Anda tidak mengetahui varians dari prediksi Anda. Ulasan tahun 2026 yang sama menemukan bahwa AI probabilistik, model yang secara eksplisit didasarkan pada teori probabilitas yang merepresentasikan ketidakpastian melalui distribusi, hanya mencakup 6% dari penggunaan model (17 dari 289 instans).

Saat Anda menggunakan AI deterministik, probabilitas 0,8 dari fungsi sigmoid akan terlihat sama saja, terlepas dari apakah model tersebut telah melihat sepuluh ribu profil peminjam yang serupa atau hanya dua. Sebaliknya, metode probabilistik seperti Bayesian Neural Networks (BNN) dan Gaussian Process Regression (GPR) memperlakukan parameter dan prediksi sebagai variabel acak. Perbedaan ini krusial karena memungkinkan Anda untuk memisahkan ketidakpastian epistemik dari ketidakpastian aleatorik. Ketidakpastian epistemik muncul dari kurangnya pengetahuan, misalnya, profil kredit yang tipis atau produk pinjaman baru tanpa data historis. Anda bisa mengurangi ini dengan mengumpulkan lebih banyak data. Di sisi lain, ketidakpastian aleatorik berasal dari variabilitas bawaan pasar. Anda tidak bisa menguranginya, tetapi Anda harus memperhitungkannya ke dalam margin pinjaman Anda.

Data tahun 2026 menunjukkan bahwa 13 dari 17 studi probabilistik berfokus secara khusus pada penangkapan ketidakpastian epistemik. Saat Bayesian Network menandai prediksi dengan varians tinggi, hal itu memberi sinyal kepada tim underwriting Anda bahwa model kekurangan data untuk membuat keputusan yang meyakinkan. Di lingkungan kredit yang ditandai dengan kondisi pasar yang volatil, mengetahui interval kepercayaan dari prediksi gagal bayar memungkinkan Anda untuk menyesuaikan ambang batas keputusan secara dinamis. Namun, industri sebagian besar mengabaikan kemampuan ini, lebih memilih kepastian yang rapuh daripada kehati-hatian yang berdasar pada matematika.

AI generatif dan masalah ketidakseimbangan kelas

Hambatan teknis terbesar dalam pemodelan kredit bukanlah pemilihan algoritma; melainkan fakta bahwa gagal bayar itu jarang terjadi. Ketidakseimbangan kelas (class imbalance) disebut 34 kali dalam literatur yang ditinjau, mewakili 23% dari seluruh tantangan yang dilaporkan. Saat Anda melatih model pada dataset di mana 95% pinjaman dilunasi, model akan dengan cepat belajar bahwa ia bisa mencapai akurasi tinggi hanya dengan memprediksi bahwa tidak akan ada yang pernah gagal bayar.

Bias ini secara fundamental merusak keandalan mesin kredit. Para peneliti biasanya mencoba menyelesaikan hal ini menggunakan teknik resampling dasar seperti SMOTE (Synthetic Minority Over-sampling Technique) atau pengambilan sampel berlapis (stratified sampling). Namun, pendekatan warisan ini sering kali hanya menduplikasi kasus langka yang sudah ada, yang dapat mengarah pada overfitting yang parah.

Ulasan tersebut mengidentifikasi AI generatif sebagai alternatif yang sangat menjanjikan tetapi sangat kurang diteliti. Model seperti Generative Adversarial Networks (GAN) dan Variational Autoencoders (VAE) tidak hanya menduplikasi data; mereka menyintesis profil peminjam dan skenario tekanan ekonomi baru yang realistis. Untuk sebuah organisasi produk, ini berarti Anda dapat menghasilkan lingkungan sintetis yang terkendali guna melakukan stress-test algoritma kredit Anda terhadap guncangan pasar yang belum terjadi. Selain itu, model probabilistik menawarkan mekanisme lain untuk mengatasi data yang hilang: memungkinkan Anda mengodekan pengetahuan sebelumnya, seperti tingkat historis gagal bayar portofolio, secara langsung ke dalam parameter model menggunakan kerangka kerja Bayesian. Hal ini memastikan output tetap berakar pada realitas ekonomi, bahkan ketika dataset pelatihan tidak memiliki cukup contoh gagal bayar untuk membentuk pola yang jelas.

Kesenjangan penjelasan dalam AI perbankan

Anda tidak dapat menerapkan model yang tidak bisa Anda audit. Interpretabilitas model adalah tantangan kedua yang paling umum dalam literatur, dikutip 25 kali. Terlepas dari itu, teknik Explainable AI (XAI) secara mengejutkan sangat langka. Hanya 15 dari 77 studi yang ditinjau yang benar-benar menerapkan perangkat XAI seperti SHAP (SHapley Additive exPlanations) atau LIME.

Data tersebut mengindikasikan adanya ketidakselarasan antara apa yang dituntut regulator dengan apa yang dibangun oleh para pembuat model. Saat sebuah AI menolak pinjaman, Anda harus memberi tahu pelanggan alasannya. Jika Anda mengandalkan model yang kompleks dan buram seperti jaringan saraf dalam tanpa lapisan XAI, Anda akan langsung terbentur dengan tembok kepatuhan. Terlebih lagi, para peneliti menemukan bahwa penjelasan yang diturunkan dari SHAP dapat berubah tergantung pada referensi data latar belakang, yang berarti jawaban “mengapa” tidak selalu stabil di berbagai komposisi portofolio. Hal ini menyiratkan bahwa membangun kepercayaan terhadap produk AI membutuhkan lebih dari sekadar menempelkan penjelas pada kotak hitam. Diperlukan strategi yang disengaja untuk memilih model yang dirancang untuk auditabilitas sejak hari pertama, daripada mencoba merekayasa balik transparansi setelahnya, yang mana ini merupakan alasan mengapa explainability adalah tuas pertumbuhan utama untuk model kredit probabilistik.

Bergerak melampaui estimasi titik

Jika Anda memimpin tim produk di fintech atau perbankan, pergeseran dari scorecard deterministik ke pemodelan probabilistik adalah keuntungan struktural berikutnya. Kesenjangan dalam literatur akademik memetakan secara langsung kesenjangan di pasar komersial. Sementara pesaing bergantung pada estimasi titik tunggal yang gagal diam-diam pada kasus-kasus ekstrem, membangun sistem yang mengukur ketidakpastiannya sendiri memungkinkan Anda mengelola risiko dengan presisi yang jauh lebih tinggi.

Matematikanya sudah ada, dan kekuatan komputasinya juga sudah tersedia untuk menjalankan Bayesian Neural Networks dan Gaussian Process Regression pada skala besar. Langkah selanjutnya adalah memperlakukan ketidakpastian bukan sebagai kecacatan yang harus diminimalkan, melainkan sebagai fitur inti dari infrastruktur keputusan Anda.

Referensi

• Engan, A., Hjelkrem, L. O., & Risstad, M. (2026). A review of credit risk assessment in banking, From deterministic models to probabilistic AI. Finance Research Open, 2, 100125. https://doi.org/10.1016/j.finr.2026.100125