Credit Scoring Baru: Lebih Adil bagi UMKM?

Bayangkan dua usaha kecil dengan kondisi ekonomi yang sebenarnya hampir sama.

Keduanya punya pelanggan tetap.

Transaksi harian cukup stabil.

Supplier dibayar.

Usaha menghasilkan cash flow.

Tetapi hanya satu yang memiliki histori kredit panjang, laporan keuangan formal, aset yang mudah dinilai, dan dokumentasi lengkap.

Dalam model penilaian konvensional, usaha kedua mungkin terlihat lebih mudah dipercaya.

Padahal usaha pertama belum tentu lebih berisiko.

Ia mungkin hanya lebih sulit dibaca.

Di sinilah credit scoring alternatif menawarkan perubahan.

Perkembangan teknologi memungkinkan lembaga keuangan melihat lebih banyak jenis informasi untuk menilai kemampuan dan profil calon debitur. OJK pada 17 September 2026 kembali menekankan bahwa kualitas informasi perkreditan dan credit scoring dapat membantu lembaga keuangan melakukan penilaian yang lebih cepat, akurat, dan menyeluruh.[1]

Namun pertanyaan berikutnya jauh lebih penting:

jika kita menambahkan lebih banyak data, apakah keputusan kredit otomatis menjadi lebih adil?

Jawabannya: belum tentu.

Indonesia sudah membangun ekosistem alternative scoring

OJK mengatur Pemeringkat Kredit Alternatif atau PKA melalui POJK 29 Tahun 2024.[2]

PKA menggunakan data alternatif untuk membantu menilai kelayakan kredit, terutama bagi masyarakat atau usaha yang memiliki histori kredit terbatas atau bahkan belum memiliki histori kredit formal.[2]

OJK memberi contoh sumber yang dapat mencakup data telekomunikasi, utilitas, dan perdagangan elektronik.[2]

Secara konsep, potensi inklusinya besar.

Sebuah UMKM yang belum lama menggunakan kredit bank mungkin tetap memiliki:

riwayat transaksi;

pembayaran utility;

aktivitas e-commerce;

cash-flow pattern;

data usaha;

atau digital footprint lain yang relevan.

Informasi seperti ini dapat membantu lender melihat sesuatu yang sebelumnya tidak terlihat.

Penggunaannya bukan lagi eksperimen kecil

Hingga Juli 2026, OJK mencatat terdapat delapan PKA dengan total sekitar 184 juta hit dan aset sekitar Rp564 miliar.[3]

Istilah hit tidak boleh dibaca sebagai jumlah borrower atau jumlah kredit yang disetujui.

Ia menggambarkan volume penggunaan atau pemanggilan layanan scoring sesuai konteks pelaporan OJK.

Namun skalanya menunjukkan bahwa alternative scoring sudah menjadi bagian nyata dari ekosistem digital finansial Indonesia.

OJK juga memperkuat perannya dalam pembiayaan UMKM melalui POJK 19/2025. Aturan tersebut secara eksplisit membuka penggunaan PKA sebagai salah satu cara mempercepat proses pembiayaan UMKM, sambil tetap mewajibkan governance dan risk management.[4]

Jadi arah kebijakannya jelas:

lebih banyak borrower harus bisa dinilai.

Tetapi itu berbeda dari:

lebih banyak borrower harus otomatis disetujui.

Alternative data dapat mengurangi blind spot

Manfaat paling jelas muncul pada thin-file borrowers.

Usaha kecil mungkin profitable tetapi tidak memiliki:

laporan audited;

agunan besar;

histori pinjaman panjang;

atau credit file yang kaya.

Model konvensional mempunyai sedikit informasi untuk membedakan antara:

“tidak punya data”

dan

“punya risiko tinggi”.

Alternative data dapat membantu memisahkan dua hal tersebut.

World Bank mencatat teknologi dan big data dapat memperluas screening terhadap kelompok yang sebelumnya terabaikan dan berpotensi meningkatkan akurasi penilaian risiko.[5]

BIS juga menemukan dalam studi terhadap perusahaan fintech Tiongkok bahwa machine learning dan non-traditional data dapat meningkatkan kemampuan prediksi default pada kondisi tertentu, terutama dibanding model tradisional dalam periode shock yang dianalisis.[6]

Tetapi penelitian itu berdasarkan dataset dan konteks tertentu di Tiongkok.

Ia bukan bukti bahwa setiap model alternative scoring di Indonesia otomatis lebih akurat.

Prediksi yang lebih akurat belum tentu lebih adil

Ini distinction yang penting.

Sebuah model dapat memiliki predictive accuracy tinggi tetapi masih menghasilkan outcome yang problematik bagi kelompok tertentu.

Mengapa?

Karena data tidak muncul di ruang hampa.

BIS mengingatkan pada 2026 bahwa data historis dapat membawa jejak ketimpangan dan exclusion masa lalu. Ketika AI atau model statistik belajar dari data tersebut, pola lama dapat direproduksi dengan skala yang jauh lebih besar.[7]

World Bank juga menyoroti kemungkinan:

• input data yang tidak lengkap;

• dataset yang tidak representatif;

• desain model yang buruk;

• proxy variables terhadap atribut sensitif;

• dan borrower yang tidak memahami bagaimana sistem menilai mereka.[5]

Jadi kata “data-driven” tidak otomatis berarti “neutral”.

Proxy discrimination adalah risiko yang tidak terlihat

Bayangkan sebuah model tidak menggunakan agama, gender, atau ethnicity secara langsung.

Tetapi menggunakan variabel lain yang sangat berkorelasi dengan karakteristik tersebut.

Lokasi.

Jenis perangkat.

Pola konsumsi tertentu.

Network relationship.

Kategori pekerjaan.

Secara teknis, atribut sensitif mungkin tidak dimasukkan.

Namun model bisa tetap menghasilkan efek yang mirip.

Inilah yang membuat fairness lebih rumit daripada sekadar menghapus satu kolom dari dataset.

Pertanyaan yang harus diajukan bukan hanya:

“Variabel apa yang kita masukkan?”

Tetapi:

“Apakah kombinasi variabel menghasilkan exclusion yang tidak dapat dibenarkan?”

Data yang salah juga dapat menjadi keputusan yang salah

Alternative scoring bekerja karena data lebih kaya.

Tetapi keuntungan itu berubah menjadi liability ketika sumber datanya salah.

Nomor telepon lama.

Transaksi duplikat.

Account yang sudah tidak digunakan.

Marketplace identity yang keliru.

Data merchant yang bercampur dengan akun pribadi.

Informasi yang belum diperbarui.

Satu kesalahan mungkin kecil.

Dalam model otomatis dengan volume besar, error kecil dapat menjadi systematic error.

Karena itu data quality bukan housekeeping.

Ia bagian dari credit risk.

NIST AI Risk Management Framework menekankan bahwa sistem yang trustworthy harus memperhatikan validity, reliability, accountability, transparency, explainability, privacy, dan fairness dengan harmful bias yang dikelola.[8]

Skor bukan fakta alamiah

Ketika sebuah aplikasi menampilkan skor 742 atau kategori “B”, angka itu terlihat presisi.

Tetapi skor adalah output model.

Ia dibangun berdasarkan:

data tertentu;

periode tertentu;

variable selection;

weight;

model architecture;

training data;

dan policy assumptions.

Karena itu skor harus dibaca seperti:

estimate of risk, bukan identitas borrower.

UMKM bukan “orang berisiko tinggi”.

Model menilai probability tertentu berdasarkan informasi yang tersedia.

Perbedaannya penting secara etika maupun operasional.

Explainability menentukan apakah sistem bisa dikoreksi

Jika applicant ditolak, pertanyaan paling natural adalah:

“Kenapa?”

Model yang sama sekali tidak dapat dijelaskan menimbulkan masalah.

Borrower tidak tahu apa yang perlu diperbaiki.

Lender sulit mengaudit keputusan.

Regulator sulit menilai apakah outcome masuk akal.

Data scientist sulit mengetahui apakah sistem belajar pola yang salah.

NIST dalam prinsip explainable AI menekankan bahwa sistem sebaiknya mampu memberikan alasan atau evidence atas output dan memberikan explanation yang bermakna bagi pengguna yang relevan.[9]

Explainability tidak berarti lender harus membuka seluruh proprietary algorithm.

Tetapi harus ada kemampuan menjawab:

faktor utama apa yang menurunkan assessment?

apakah datanya benar?

apakah model bekerja pada populasi yang sesuai?

apakah keputusan dapat direview?

Human judgement tetap memiliki fungsi

Di sinilah credit analyst masih relevan.

BIS pada studi 2025 mengenai AI dan relationship lending menunjukkan bahwa kemampuan AI membaca hard, verifiable, dan codifiable data dapat hidup berdampingan dengan soft information yang diperoleh dari hubungan lender dengan perusahaan.[10]

Untuk UMKM, soft information bisa sangat penting.

Misalnya:

owner baru mengganti mesin sehingga cash turun sementara;

usaha punya order besar yang belum masuk invoice;

penjualan seasonal;

customer utama baru menandatangani kontrak;

atau bisnis sedang menjalani transformasi.

Dataset mungkin belum menangkap context tersebut.

Human review membantu ketika reality lebih kompleks daripada record historis.

Tetapi human judgement juga bisa bias

Ini tidak berarti manusia otomatis lebih fair.

Credit officer juga dapat membawa:

intuisi salah;

stereotype;

overconfidence;

atau inconsistent judgement.

Jadi solusi bukan memilih:

algoritma atau manusia.

Yang lebih sehat:

algoritma yang dapat diaudit + manusia yang accountable + governance yang jelas.

Satu layer dapat mengoreksi layer lain.

False negative dan false positive punya biaya berbeda

Dalam credit scoring ada dua jenis error sederhana.

False positive: borrower dinilai aman tetapi kemudian gagal membayar.

Biayanya terasa pada lender.

False negative: borrower yang sebenarnya layak justru ditolak.

Biayanya lebih tersembunyi.

Usaha kehilangan modal kerja.

Ekspansi tertunda.

Mesin tidak dibeli.

Order tidak bisa dipenuhi.

Jika sistem terlalu fokus menekan default tanpa mengukur false negative, inclusion dapat memburuk meskipun portfolio terlihat aman.

Fair credit assessment perlu melihat kedua sisi.

UMKM juga harus punya cara memperbaiki datanya

Jika data alternative ikut menentukan assessment, borrower membutuhkan jalur koreksi.

Misalnya:

transaksi yang bukan miliknya;

identity mismatch;

status kredit lama;

account duplikat;

atau informasi yang tidak lagi relevan.

Ekosistem scoring yang sehat membutuhkan proses:

verification;

dispute;

correction;

update.

Tanpa itu, error digital dapat menjadi “reputasi” yang mengikuti borrower terus-menerus.

Consent bukan formalitas checkbox

Lebih banyak data juga berarti lebih besar privacy exposure.

POJK PKA mengatur governance, keamanan data, dan perlindungan konsumen sebagai bagian dari penyelenggaraan.[2][3]

Bagi lender dan scoring provider, pertanyaannya bukan hanya:

“Apakah technically bisa mengambil data ini?”

Tetapi:

“Apakah pengguna memahami data apa yang digunakan dan untuk tujuan apa?”

Consent yang panjang dan sulit dipahami mungkin legal secara formal dalam situasi tertentu, tetapi belum tentu membangun trust.

Jangan membuat UMKM bermain untuk algoritma

Ada risiko lain ketika borrower mulai mengetahui signal apa yang dianggap “baik”.

Bisnis dapat tergoda mengoptimalkan perilaku demi skor, bukan demi kesehatan usaha.

Membuat transaksi artificial.

Memecah pembayaran.

Mengubah pola digital.

Atau mengejar aktivitas tertentu hanya karena dianggap meningkatkan score.

Ini alasan mengapa model harus terus diuji untuk gaming dan unintended incentive.

Credit scoring seharusnya membaca bisnis.

Bukan membuat bisnis berpura-pura menjadi sesuatu yang disukai model.

Apa artinya bagi lender?

Ada setidaknya tujuh pertanyaan governance.

Apakah data relevan?

Apakah model valid untuk segmen borrower tersebut?

Apakah outcome diuji antar kelompok?

Apakah input dapat dikoreksi?

Apakah keputusan dapat dijelaskan?

Kapan human review wajib dilakukan?

Siapa bertanggung jawab ketika sistem salah?

Jika pertanyaan terakhir tidak memiliki nama atau fungsi organisasi yang jelas, governance belum selesai.

Apa artinya bagi UMKM?

Bagi usaha kecil, strategi terbaik bukan mencoba menebak algoritma.

Yang lebih berguna adalah membangun jejak usaha yang konsisten.

Pisahkan transaksi pribadi dan bisnis.

Rekonsiliasi penjualan.

Gunakan invoice yang jelas.

Jaga payment record.

Catat utang.

Dokumentasikan supplier.

Gunakan identitas usaha yang konsisten.

Semakin rapi economic activity terlihat, semakin kecil ketergantungan pada asumsi.

Data yang lebih banyak memberi kesempatan—bukan jaminan

Alternative credit scoring punya potensi nyata.

Ia dapat membantu lender melihat borrower yang sebelumnya tidak terlihat.

Ia dapat mempercepat proses.

Mengurangi information asymmetry.

Meningkatkan risk differentiation.

Dan mungkin memperluas financial inclusion.

Tetapi teknologi tidak otomatis membawa fairness.

Model dapat memperluas akses.

Model juga dapat memperluas exclusion—lebih cepat dan dalam skala lebih besar—jika datanya buruk atau governance lemah.

Jadi pertanyaan yang tepat bukan:

“Apakah credit scoring baru lebih pintar?”

Tetapi:

“Apakah ia memberi keputusan yang lebih akurat, dapat dijelaskan, dapat dikoreksi, dan layak dipertanggungjawabkan?”

Jika empat hal itu terpenuhi, alternative scoring dapat menjadi jembatan bagi UMKM.

Jika tidak, kita hanya mengganti satu gatekeeper lama dengan gatekeeper digital yang lebih sulit dilihat.