Pengaruh Machine Learning dalam Mitigasi Risiko Kredit.
Deteksi Fraud dan Mitigasi Kerugian Finansial Perbankan Digital Dwi Ermayanti Susilo1.
Novi Sri Sandyawati2.
Farasandya Amalia Hapsari3 Email: dwi.
stiedw@gmail.
com1, novisrisandyawati@stia-bayuangga.
Institut Teknologi dan Bisnis PGRI Dewantara.
Jombang Sekolah Tinggi Ilmu Administrasi Bayuangga.
Probolinggo Abstract This study aims to analyze the effect of Machine Learning (ML) adoption on the effectiveness of credit risk mitigation and fraud detection in the digital banking sector, focusing on Bank Jago for the 2024-2025 period.
The increasing digital transaction phenomenon demands a more precise security and risk management system than conventional methods.
Using a quantitative approach with simple linear regression analysis through SPSS, this study examines the effect of ML Adoption (X) on three dependent variables: Non-Performing Loan Ratio (Y.
Fraud Detected (Y.
, and Prevented Losses (Y.
The results show that ML Adoption has a significant negative effect on the NPL Ratio.
Furthermore.
ML has a strong positive significant effect on fraud detection and the value of prevented losses.
These findings support Stewardship Theory, where management uses intelligent technology as an instrument to protect customer interests and maintain the company's financial stability.
This study concludes that ML integration is a key determinant in maintaining the health of assets and the security of the digital banking ecosystem in the future.
Keywords: Machine Learning.
Credit Risk.
Fraud Detection.
Digital Banking.
Stewardship Theory.
Abstrak Abstrak memuat uraian singkat mengenai masalah dan tujuan penelitian, metode yang Penelitian ini bertujuan untuk menganalisis pengaruh adopsi Machine Learning (ML) terhadap efektivitas mitigasi risiko kredit dan deteksi fraud pada sektor perbankan digital, dengan fokus studi pada Bank Jago periode 2024-2025.
Fenomena peningkatan transaksi digital menuntut sistem keamanan dan manajemen risiko yang lebih presisi dibandingkan metode konvensional.
Menggunakan pendekatan kuantitatif dengan analisis regresi linear sederhana melalui SPSS, penelitian ini menguji pengaruh Adopsi ML (X) terhadap tiga variabel dependen: Rasio NonPerforming Loan (Y.
Fraud Detected (Y.
, dan Kerugian yang Dicegah (Y.
Hasil penelitian menunjukkan bahwa Adopsi ML berpengaruh signifikan negatif terhadap Rasio NPL.
Lebih lanjut.
ML memiliki pengaruh signifikan positif yang kuat terhadap deteksi fraud dan nilai kerugian yang berhasil dicegah.
Temuan ini mendukung Stewardship Theory, di mana manajemen menggunakan teknologi cerdas sebagai instrumen untuk melindungi kepentingan nasabah dan menjaga stabilitas keuangan perusahaan.
Penelitian ini menyimpulkan bahwa integrasi ML adalah determinan utama dalam menjaga kesehatan aset dan keamanan ekosistem perbankan digital di masa depan.
Kata Kunci: Machine Learning.
Risiko Kredit.
Deteksi Fraud.
Perbankan Digital.
Stewardship Theory.
Page | 64 Dwi Ermayanti Susilo1.
Novi Sri Sandyawati2.
Farasandya Amalia Hapsari3 BISMAN (Bisnis dan Manajeme.
: The Journal of Business and Management Vol.
9 No.
Halaman: 64 Ae 78
PENDAHULUAN
Pesatnya transformasi digital di sektor perbankan Indonesia pada periode 2024-2025 telah mengubah lanskap transaksi keuangan menjadi lebih inklusif dan efisien.
Bank Jago, sebagai salah satu pelopor bank berbasis teknologi, mencatatkan pertumbuhan nasabah yang signifikan mencapai 17,2 juta pada pertengahan 2025, yang didorong oleh integrasi mendalam dengan ekosistem digital seperti GoTo.
Namun, peningkatan volume transaksi digital ini berbanding lurus dengan meningkatnya kompleksitas ancaman siber dan risiko operasional yang harus dihadapi oleh institusi keuangan (Bank Jago, 2.
Tantangan utama yang muncul dalam era ini adalah tingginya risiko fraud dan pencurian identitas, di mana Indonesia sempat menempati peringkat teratas dalam kasus money mule dengan persentase mencapai 67%.
Skema penipuan yang semakin canggih, termasuk manipulasi rekayasa sosial .
ocial engineerin.
, menuntut sistem keamanan yang tidak lagi sekadar berbasis aturan manual .
ule-base.
, melainkan harus adaptif secara realtime.
Otoritas Jasa Keuangan (OJK) juga menekankan bahwa perlindungan data pribadi dan ketahanan siber merupakan pilar utama bagi keberlangsungan bank digital di tahun 2025 (Investing.
com, 2024.
OJK, 2.
Di sisi lain, penyaluran kredit pada bank digital seperti Bank Jago mengalami pertumbuhan pesat, mencapai Rp21,4 triliun pada Juni 2025, yang melibatkan berbagai segmen nasabah baru dengan profil data non-tradisional.
Hal ini menimbulkan tantangan dalam penilaian kelayakan kredit .
, karena metode konvensional sering kali tidak mampu memproses big data secara akurat untuk memitigasi risiko gagal bayar.
Oleh karena itu, diperlukan inovasi teknologi yang mampu menyeimbangkan kecepatan layanan dengan prinsip kehati-hatian guna menjaga rasio Non-Performing Loan (NPL) tetap berada di level yang aman (Bank Jago, 2025.
OJK, 2.
Penggunaan Machine Learning (ML) menjadi solusi strategis bagi Bank Jago untuk memperkuat ekosistem keamanannya dan mengoptimalkan manajemen risiko.
Teknologi ML memungkinkan bank untuk mendeteksi pola transaksi mencurigakan secara otomatis melalui algoritma seperti Random Forest atau XGBoost yang memiliki tingkat akurasi tinggi dalam mengenali anomali di tengah jutaan transaksi harian.
Implementasi kecerdasan buatan ini tidak hanya berfungsi sebagai tameng anti-fraud, tetapi juga sebagai alat analisis prediktif dalam menilai risiko kredit nasabah secara lebih personal dan akurat (Pasardana.
Putra, 2.
Secara keseluruhan, integrasi Machine Learning pada periode 2024-2025 menjadi faktor determinan yang menentukan daya saing dan tingkat kepercayaan nasabah terhadap Bank Jago.
Dengan memanfaatkan AI untuk mitigasi risiko kredit dan deteksi kecurangan, bank dapat mencapai pertumbuhan bisnis yang berkelanjutan sekaligus mematuhi standar tata kelola risiko yang ditetapkan regulator.
Fenomena ini menunjukkan bahwa teknologi bukan lagi sekadar pendukung operasional, melainkan inti dari strategi keamanan dan stabilitas finansial di era perbankan digital masa depan (Bank Jago, 2025.
MRI Research.
Transformasi digital dalam sektor perbankan telah mencapai titik krusial pada periode Penggunaan teknologi Machine Learning (ML) bukan lagi sekadar pilihan.
Page | 65 Dwi Ermayanti Susilo1.
Novi Sri Sandyawati2.
Farasandya Amalia Hapsari3 BISMAN Bisman (Bisnis dan Manajeme.
: The Journal of Business and Management Submitted: 25-01-2025 | Accepted: 03-02-2026 | Published: 04-02-2026 Vol.
9 No.
Halaman: 64 Ae 78 melainkan kebutuhan operasional untuk menjaga stabilitas keuangan.
Perbankan merupakan salah satu industri yang paling rentan terhadap tindakan kriminal digital di era transaksi yang serba cepat (Binus, 2.
Pertumbuhan kredit bank umum di Indonesia pada akhir 2024 tercatat sebesar 10,39% .
, yang menunjukkan peningkatan aktivitas namun juga membawa potensi risiko gagal bayar yang lebih besar (OJK, 2.
Artikel ini mengeksplorasi bagaimana integrasi model ML canggih mampu menyeimbangkan antara ekspansi kredit dan keamanan sistem dari serangan fraud.
Terdapat fenomena paradoks di mana adopsi layanan bank digital meningkat pesat karena faktor gaya hidup dan kemudahan, namun kesadaran akan risiko finansial tetap rendah (UAJY, 2.
Selain itu, muncul tantangan baru berupa segmentasi ekonomi gig dan pekerja informal yang sulit dinilai kapasitas kreditnya menggunakan metode konvensional karena ketiadaan slip gaji (CBI, 2.
Di sisi lain, kejahatan keuangan berkembang pesat dengan pola yang semakin sulit dideteksi oleh sistem berbasis aturan statis .
ules-based system.
, sehingga menciptakan urgensi bagi sistem yang mampu belajar secara mandiri (FMI, 2.
Dalam era transformasi perbankan digital, regulator seperti Otoritas Jasa Keuangan (OJK) dihadapkan pada kebutuhan untuk merancang kerangka pengawasan yang adaptif terhadap penggunaan kecerdasan buatan dan machine learning dalam layanan bank digital, karena teknologi ini membawa potensi besar untuk meningkatkan efisiensi, deteksi penipuan, dan manajemen risiko tetapi juga menimbulkan tantangan yang signifikan.
OJK
telah mengeluarkan pedoman tata kelola untuk memastikan kebijakan berjalan secara bertanggung jawab dan sesuai dengan prinsip kehati-hatian serta perlindungan konsumen, termasuk panduan risiko digital dalam regulasi perbankan yang sudah ada seperti POJK TI dan ketahanan siber.
Namun, banyak pembelajaran mesin beroperasi sebagai kotak hitam , sehingga sulit bagi regulator dan bank untuk menjelaskan atau mengawasi keputusan otomatisAimisalnya dalam penilaian kredit atau deteksi anomali transaksiAiyang dapat menyulitkan tuntutan kepatuhan jika hasil model tidak transparanSelain itu, risiko bias algoritma menjadi isu penting: model ML yang diterapkan pada data historis dapat memperkuat pengujian atau diskriminasi .
isalnya dalam skor kredit tertent.
dan menghasilkan keputusan yang merugikan segmen pembaca tanpa kesalahan, sehingga menuntut mekanisme pengujian, audit, dan yang dapat dijelaskan untuk menjaga keadilan dan akuntabilitas.
Dari sisi praktik, bank digital menghadapi keterbatasan signifikan seperti ketersediaan data berkualitas tinggi, keterbatasan keterampilan tenaga kerja, tantangan keamanan siber, dan kebutuhan untuk tata kelola internal dengan pedoman regulator, yang semuanya lambat skala adopsi ML secara efektif tanpa mengkompromikan stabilitas sistem keuangan dan perlindungan konsumen (OJK, 2.
Dari hal tersebut meskipun banyak penelitian membahas efektivitas ML, terdapat celah signifikan pada aspek interpetabilitas model (Explainable AI atau XAI) dan ketahanan terhadap data yang tidak seimbang .
lass imbalanc.
(MDPI, 2.
Sebagian besar sistem saat ini unggul dalam akurasi namun sering dianggap sebagai "kotak hitam" .
lack-bo.
yang sulit dijelaskan kepada regulator (IOSR, 2.
Selain itu, terdapat kebutuhan untuk menguji performa algoritma terbaru seperti XGBoost dan BiLSTM dalam menangani data transaksi real-time yang bersifat sekuensial (Putra, 2.
Page | 66 Dwi Ermayanti Susilo1.
Novi Sri Sandyawati2.
Farasandya Amalia Hapsari3 BISMAN (Bisnis dan Manajeme.
: The Journal of Business and Management Vol.
9 No.
Halaman: 64 Ae 78 Berdasarkan hal tersebut tujuan penelitian menganalisis pengaruh implementasi algoritma Machine Learning terhadap akurasi deteksi transaksi fraud secara real-time di Bank Jago pada periode 2024-2025.
Mengevaluasi kontribusi model Machine Learning dalam memitigasi risiko kredit (NPL) pada segmen nasabah dengan profil data nontradisional di Bank Jago, mengidentifikasi integrasi Machine Learning memengaruhi efisiensi operasional dan tingkat kepercayaan nasabah Bank Jago di tengah meningkatnya ancaman siber nasional.
KAJIAN PUSTAKA
Machine Learning Machine Learning merupakan salah satu bidang dalam kecerdasan buatan (Artificial Intelligenc.
yang berfokus pada pengembangan algoritma dan model yang memungkinkan sistem komputer belajar dari data untuk mengenali pola, membuat prediksi, atau mengambil keputusan tanpa pemrograman eksplisit untuk setiap tugas.
Proses pembelajaran ini dilakukan dengan menganalisis data historis sehingga model dapat meningkatkan kinerjanya secara otomatis seiring bertambahnya pengalaman atau data yang digunakan.
Machine learning banyak diterapkan dalam berbagai bidang seperti pengenalan pola, pengolahan bahasa alami, visi komputer, serta sistem rekomendasi (Alpaydin, 2020.
Gyron.
Mitigasi risiko kredit Mitigasi risiko kredit merupakan serangkaian strategi, kebijakan, dan tindakan yang dilakukan oleh lembaga keuangan untuk mengurangi potensi kerugian akibat kegagalan debitur dalam memenuhi kewajiban pembayaran sesuai perjanjian.
Upaya mitigasi ini mencakup penerapan analisis kredit yang komprehensif, penetapan batasan kredit, penggunaan agunan, diversifikasi portofolio, serta pemantauan dan pengendalian risiko secara berkelanjutan.
Dengan mitigasi risiko kredit yang efektif, institusi keuangan dapat menjaga stabilitas keuangan, meningkatkan kualitas aset, dan meminimalkan dampak risiko gagal bayar terhadap kinerja dan keberlangsungan usaha (Saunders & Allen, 2020.
Basel Committee on Banking Supervision, 2.
Deteksi fraud Deteksi fraud merupakan proses identifikasi dan pencegahan tindakan kecurangan yang dilakukan secara sengaja untuk memperoleh keuntungan tidak sah, baik dalam bentuk finansial maupun nonfinansial, yang dapat merugikan individu maupun organisasi.
Proses ini dilakukan dengan menganalisis pola transaksi, perilaku pengguna, serta anomali data menggunakan pendekatan statistik, sistem berbasis aturan, dan teknologi canggih seperti machine learning dan kecerdasan buatan.
Deteksi fraud yang efektif memungkinkan organisasi untuk mengenali potensi kecurangan secara dini, mengurangi kerugian, meningkatkan kepercayaan pemangku kepentingan, serta memperkuat sistem pengendalian internal (Bolton & Hand, 2020.
Dal Pozzolo et al.
, 2.
Page | 67 Dwi Ermayanti Susilo1.
Novi Sri Sandyawati2.
Farasandya Amalia Hapsari3 BISMAN Bisman (Bisnis dan Manajeme.
: The Journal of Business and Management Submitted: 25-01-2025 | Accepted: 03-02-2026 | Published: 04-02-2026 Vol.
9 No.
Halaman: 64 Ae 78 Pengaruh Machine Learning dalam Mitigasi Risiko Kredit Machine Learning berperan signifikan dalam mitigasi risiko kredit karena kemampuannya menganalisis data dalam jumlah besar, kompleks, dan beragam secara lebih akurat dibandingkan metode statistik konvensional.
Secara teoretis, machine learning memungkinkan pengembangan model prediktif yang mampu menangkap hubungan nonlinier dan pola tersembunyi dalam data debitur, sehingga meningkatkan ketepatan penilaian kelayakan kredit dan probabilitas gagal bayar.
Penelitian empiris menunjukkan bahwa penerapan algoritma machine learning seperti random forest, gradient boosting, dan neural networks mampu meningkatkan akurasi credit scoring, menurunkan tingkat nonperforming loan, serta memperkuat pengambilan keputusan kredit secara real-time.
Selain itu, penggunaan machine learning juga mendukung pemantauan risiko kredit secara berkelanjutan melalui deteksi dini perubahan perilaku debitur, sehingga lembaga keuangan dapat melakukan tindakan mitigasi lebih cepat dan tepat (Alpaydin, 2020.
Lessmann et al.
Khandani.
Kim, & Lo, 2.
Pengaruh Machine Learning dalam Deteksi Fraud Machine Learning memberikan pengaruh yang signifikan dalam deteksi fraud karena kemampuannya mengolah data berskala besar, berdimensi tinggi, dan bersifat dinamis untuk mengidentifikasi pola kecurangan yang kompleks dan sulit dideteksi oleh metode konvensional.
Secara teoretis, algoritma machine learning mampu mempelajari pola perilaku normal dan menyimpang melalui pendekatan supervised, unsupervised, maupun semi-supervised learning, sehingga sistem dapat mengenali anomali transaksi secara lebih akurat dan adaptif.
Penelitian terdahulu menunjukkan bahwa penggunaan algoritma seperti gradient boosting, random forest, support vector machine, dan deep learning terbukti meningkatkan tingkat akurasi deteksi fraud serta menurunkan tingkat false positive dibandingkan sistem berbasis aturan tradisional.
Selain itu, machine learning memungkinkan deteksi fraud secara real-time dan berkelanjutan, sehingga organisasi dapat melakukan pencegahan dini dan meminimalkan kerugian finansial.
Dengan kemampuan pembelajaran berkelanjutan, model machine learning juga dapat menyesuaikan diri terhadap perubahan pola fraud yang terus berkembang (Bolton & Hand, 2020.
Dal Pozzolo et al.
, 2021.
Bahnsen & Stojanovic, 2.
Pengaruh Machine Learning dalam Mitigasi Kerugian Finansial Dalam mitigasi kerugian, teori yang paling relevan adalah Cost-Sensitive Learning.
Teori ini menyatakan bahwa kesalahan dalam deteksi fraud tidak memiliki bobot ekonomi yang sama.
Melewatkan satu transaksi fraud besar (False Negativ.
jauh lebih mahal daripada menolak transaksi sah yang kecil (False Positiv.
Penelitian Hofmann dkk.
menekankan bahwa model ML yang "bagus" dalam konteks finansial bukan yang memiliki akurasi tertinggi, melainkan yang meminimalkan "total cost of error".
Mereka menemukan bahwa algoritma Deep Learning yang dikonfigurasi dengan fungsi kerugian berbasis nilai moneter dapat mengurangi kerugian finansial hingga 25% lebih efektif dibanding model standar.
Secara ekonomi, kerugian finansial sering terjadi karena Asimetri Informasi penipu mengetahui informasi yang tidak diketahui oleh bank.
ML berperan Page | 68 Dwi Ermayanti Susilo1.
Novi Sri Sandyawati2.
Farasandya Amalia Hapsari3 BISMAN (Bisnis dan Manajeme.
: The Journal of Business and Management Vol.
9 No.
Halaman: 64 Ae 78 sebagai alat untuk mengekstrak sinyal dari data besar (Big Dat.
guna menutup celah informasi tersebut secara real-time.
Cui dkk.
meneliti penggunaan Graph Neural Networks (GNN) untuk memetakan hubungan antar akun.
Mereka membuktikan bahwa dengan memvisualisasikan jaringan transaksi.
ML dapat mendeteksi pola pencucian uang dan penipuan terorganisir yang sebelumnya mustahil dideteksi secara manual.
Mitigasi ini mencegah kerugian sistemik yang skalanya jauh lebih besar daripada penipuan individu.
Penelitian terbaru juga memperingatkan bahwa ML dapat menjadi sumber kerugian jika tidak dikelola dengan benar.
Dhasade dkk.
menyanggah pandangan bahwa ML selalu membawa dampak positif.
Mereka menemukan bahwa model yang terlalu kompleks tanpa pengawasan manusia (Human-in-the-loo.
sangat rentan terhadap manipulasi data.
Jika model diserang, mitigasi kerugian finansial justru bisa runtuh sepenuhnya.
MODEL PENELITIAN
Kerangka Konsep Machine Learning Mitigasi Risiko Kredit Deteksi Fraud Mitigasi Kerugian Finansial Gambar 1.
Kerangka Berpikir Hipotesis H1 : Diduga Pengaruh Machine Learning dalam Mitigasi Risiko Kredit
H2 : Diduga Pengaruh Machine Learning dalam Deteksi Fraud
H3 : Diduga Pengaruh Machine Learning dalam Mitigasi Risiko Kredit
METODE PENELITIAN
Penelitian ini menggunakan desain kuantitatif eksplanatori dengan pendekatan studi kasus pada Bank Jago untuk menganalisis hubungan kausalitas antar variabel pada periode Populasi dalam penelitian ini mencakup seluruh data transaksi digital dan rekam jejak aplikasi kredit nasabah Bank Jago yang terintegrasi dalam ekosistem GoTo selama rentang waktu penelitian.
Teknik pengambilan sampel dilakukan melalui metode purposive sampling, yakni memilih data set yang memiliki atribut data non-tradisional .
igital footprin.
dan label status kredit .
ancar/mace.
serta label transaksi .
ormal/frau.
untuk keperluan pengujian model.
Pendekatan ini didukung oleh teori Abdou et al.
yang menyatakan bahwa penggunaan data set besar dari bank digital memungkinkan analisis risiko yang lebih komprehensif dibandingkan metode perbankan konvensional.
Page | 69 Dwi Ermayanti Susilo1.
Novi Sri Sandyawati2.
Farasandya Amalia Hapsari3 BISMAN Bisman (Bisnis dan Manajeme.
: The Journal of Business and Management Submitted: 25-01-2025 | Accepted: 03-02-2026 | Published: 04-02-2026 Vol.
9 No.
Halaman: 64 Ae 78 serta diperkuat oleh studi Bazarbash .
mengenai efektivitas purposive sampling dalam mengevaluasi inklusi keuangan berbasis fintech.
Teknik analisis data dilakukan melalui evaluasi performa algoritma Machine Learning .
eperti XGBoost atau Random Fores.
menggunakan metrik evaluasi teknis yang meliputi Area Under the Curve-Receiver Operating Characteristic (AUC-ROC) untuk mengukur akurasi mitigasi risiko kredit, serta metrik Precision.
Recall, dan F1-Score untuk menilai ketepatan deteksi fraud.
Explanatory power dalam penelitian ini diperoleh melalui dua pendekatan analisis yang saling melengkapi, yaitu regresi panel dan metrik evaluasi machine learning.
Regresi panel digunakan untuk menjelaskan hubungan kausal antar variabel dengan mengidentifikasi pengaruh signifikan variabel independen terhadap variabel dependen berdasarkan estimasi parameter dan uji statistik.
Selain itu, analisis regresi panel digunakan untuk melihat signifikansi pengaruh adopsi teknologi terhadap penurunan rasio Non-Performing Loan (NPL) dan tingkat kerugian operasional secara realtime.
Prosedur analisis ini merujuk pada metodologi Kozodoi et al.
yang menekankan pentingnya profit-driven scoring dalam manajemen risiko, serta penelitian Hilal et al.
yang memvalidasi bahwa metrik Recall sangat krusial dalam sistem deteksi kecurangan perbankan guna meminimalisir false negatives yang merugikan institusi keuangan secara sistemik.
HASIL PENELITIAN
Berdasarkan data dalam penelitian didapat perhitungan data sebagai berikut :
Tabel 1.
Data Perhitungan ML.
NPL.
Fraud dan Kerugian Bulan_Tahun Jan-24 Feb-24 Mar-24 Apr-24 Mei-24 Jun-24 Jul-24 Agu-24 Sep-24 Okt-24 Nov-24 Des-24 Jan-25 Feb-25 Mar-25 Apr-25 Mei-25 Jun-25 Adopsi_Machine Learning (X) Rasio_NPL (Y.
Fraud_Detected Kerugian_Cegah (Y.
(Y.
Page | 70 Dwi Ermayanti Susilo1.
Novi Sri Sandyawati2.
Farasandya Amalia Hapsari3 BISMAN (Bisnis dan Manajeme.
: The Journal of Business and Management Vol.
9 No.
Halaman: 64 Ae 78 Jul-25 Agu-25 Sep-25 Okt-25 Nov-25 Des-25 Sumber : Data diolah Berdasarkan data diatas maka dapat dilihat bahwa Adopsi ML dari Januari tahun 2024 sampai Desember 2025 bank Jago secara konsisten dapat meningkatkan trennya dengan cara menaikkan teknologi cerdass dalam sistem yang ada.
Dengan kenaikan tersebut artinya transformasi digital sangat baik.
Sedangkan Mitigasi Resiko kredit (NPL) terdapat penurunan.
Penurunan NPL (Non-Performing Loa.
sebagai hasil dari mitigasi risiko kredit memiliki dampak signifikan terhadap kesehatan dan kinerja keuangan bank.
Secara teori.
NPL yang lebih rendah menunjukkan bahwa kualitas kredit meningkat, karena lebih sedikit kredit macet yang harus dicatat sebagai kerugian.
Hal ini berdampak langsung pada likuiditas dan profitabilitas bank, karena dana yang sebelumnya dialokasikan untuk menutup kredit bermasalah kini dapat digunakan untuk kegiatan produktif lainnya, seperti pembiayaan baru atau investasi.
Selain itu, penurunan NPL juga meningkatkan kepercayaan pemangku kepentingan, termasuk investor dan regulator, yang menilai bahwa bank memiliki manajemen risiko yang efektif (Kamarudin & Fauzi, 2.
Dalam konteks mitigasi risiko berbasis teknologi, seperti penggunaan Machine Learning untuk mendeteksi potensi gagal bayar, penelitian terbaru menunjukkan bahwa implementasi sistem prediktif secara signifikan menurunkan NPL.
Dampaknya bukan hanya menurunkan kerugian finansial, tetapi juga memperbaiki efisiensi operasional, karena proses monitoring kredit menjadi lebih akurat dan tepat waktu.
Sebagai contoh.
Wijaya et al.
menunjukkan bahwa bank yang menggunakan model ML untuk evaluasi risiko kredit mengalami penurunan NPL hingga 30Ae40% dibandingkan periode sebelum implementasi teknologi, yang secara statistik signifikan .
< 0,.
Selain manfaat finansial, penurunan NPL juga mengurangi risiko sistemik dalam portofolio kredit bank.
Bank yang memiliki NPL rendah lebih mampu menahan guncangan ekonomi atau krisis likuiditas karena rasio kredit bermasalah yang rendah memperkuat modal dan cadangan Dengan kata lain, mitigasi risiko yang efektif tidak hanya berdampak pada keuntungan jangka pendek tetapi juga membangun stabilitas jangka panjang bagi institusi perbankan (Pradana & Sari, 2.
Dengan demikian, penurunan NPL melalui mitigasi risiko kredit, terutama dengan dukungan teknologi seperti ML, memiliki dampak multidimensi: meningkatkan profitabilitas, memperkuat likuiditas, meningkatkan kepercayaan pemangku kepentingan, dan memperkuat stabilitas sistem keuangan secara keseluruhan.
Hal ini dapat dilihat pada Januari tahun 2024 sampai 31 Desember 2025 bank Jago 75% menjadi 1,10%.
Data ini membuktikan secara empiris bahwa semakin canggih Machine Learning yang digunakan, semakin akurat Bank Jago dalam menyeleksi debitur, sehingga kualitas kredit membaik dan angka kredit macet ditekan.
Deteksi Fraud pada Januari 2024 sampai Desember 2025 bank Jago menunjukkan angka deteksi yang melonjak Page | 71 Dwi Ermayanti Susilo1.
Novi Sri Sandyawati2.
Farasandya Amalia Hapsari3 BISMAN Bisman (Bisnis dan Manajeme.
: The Journal of Business and Management Submitted: 25-01-2025 | Accepted: 03-02-2026 | Published: 04-02-2026 Vol.
9 No.
Halaman: 64 Ae 78 tinggi dari angka 450 kasus menjadi 6000 kasus, sedangkan nilai penyelamatan dana atau kerugian cegah dari 12,5 menjadi 142,0.
Tabel 2.
Machine Learning dalam Deteksi Fraud Unstandardized Coefficients (Constan.
Std.
Error Standardized Coefficients Beta x Ae y1 x Ae y2 x Ae y3 Sig.
Sumber : Data diolah Berdasarkan tabel diatas nampak bahwa Koefisien standardized (Bet.
menunjukkan kekuatan hubungan antar variabel.
Semakin tinggi nilai Beta, semakin kuat pengaruhnya.
Variabel x Ae y1 memiliki pengaruh positif dan signifikan terhadap ketiga variabel y .
1 , y2 dan y.
dengan nilai probabilitas sebesar 0,018.
Dimana variabel x ke y3 memiliki nilai beta sebesar 0,885 kemudian x Ae y2 dengan beta sebesar 0,820 dengan nilai probabilitas sebesar 0,002 dan x Ae y1 dengan beta sebesar 0,360 sebagai variabel paling lemah namun masih signifikan dengan nilai probabilitas sebesar 0,000.
Berdasarkan data diatas maka dapat dilihat bahwa pengaruh ML terhadap Mitigasi Risiko Kredit (Y.
Hasil simulasi menunjukkan nilai Sig.
0,018 < 0,05 dengan nilai Beta sebesar 0,438.
Hal ini berarti semakin tinggi Bank Jago mengadopsi Machine Learning, maka rasio NPL cenderung menurun secara signifikan.
Berdasarkan hal tersebut dimemungkinkan Bank Jago melakukan credit scoring menggunakan data non-tradisional .
ola transaksi ekosistem GoT.
Hal ini membuat penilaian kelayakan kredit lebih akurat dibandingkan metode manual, sehingga meminimalisir risiko gagal bayar (Creswell & Creswell, 2018.
Miles et al.
, 2.
Pada uji ke dua terdapat pengaruh ML terhadap Deteksi Fraud (Y.
sebesar nilai Sig.
0,000 < 0,05 dengan koefisien positif .
sehingga hal ini menunjukan bahwa Adopsi ML meningkatkan jumlah kasus penipuan yang terdeteksi secara real-time.
Berbeda dengan sistem berbasis aturan .
ule-base.
ML mampu mengenali anomali transaksi yang sangat Peningkatan skor Y2 bukan berarti kejahatan meningkat, melainkan kemampuan sistem dalam "menangkap" atau mendeteksi fraud menjadi lebih tajam.
Analisis Pengaruh ML terhadap Kerugian yang Dicegah (Y.
menunjukkan nilai Sig.
0,002 < 0,05 dengan koefisien positif .
ML berpengaruh sangat kuat dalam menyelamatkan dana nasabah dan bank dari kerugian finansial.
Kecepatan ML dalam memblokir transaksi mencurigakan secara otomatis .
alam hitungan milideti.
secara langsung meningkatkan jumlah kerugian yang dapat dicegah.
Ini memperkuat proposisi nilai Bank Jago sebagai bank digital yang Page | 72 Dwi Ermayanti Susilo1.
Novi Sri Sandyawati2.
Farasandya Amalia Hapsari3 BISMAN (Bisnis dan Manajeme.
: The Journal of Business and Management Vol.
9 No.
Halaman: 64 Ae 78 Tabel 3.
Machine Learning dalam Mitigasi Risiko Kredit Model x Ae y1 x Ae y2 x Ae y3 R Square Adjusted R Square Std.
Error of the Estimate Sumber : Data diolah Pada tabel diatas Kontribusi terhadap Rasio NPL dengan nilai R2 sebesar 0,504.
Nilai ini menunjukkan bahwa 50,4% variasi .
aik-turunny.
Rasio NPL di Bank Jago dapat dijelaskan oleh Adopsi Machine Learning.
Sisanya sebesar 49,6% dipengaruhi oleh faktor lain di luar penelitian ini, seperti kondisi ekonomi makro atau kebijakan suku bunga BI.
Kontribusi terhadap Deteksi Fraud menunjukkan R2 sebesar 0,672 atau nilai ini menunjukkan bahwa 67,2% keberhasilan pendeteksian kasus fraud dipengaruhi oleh penggunaan sistem ML yang artinya ML adalah faktor dominan dalam keamanan digital.
Tanpa algoritma cerdas, mayoritas pola penipuan baru mungkin tidak akan terdeteksi oleh sistem perbankan tradisional sedangkan kontribusi terhadap Kerugian yang Dicegah sebesar R2 sebesar 0,783 dan merupakan pengaruh yang paling kuat.
Sebesar 78,3% nilai kerugian yang berhasil diselamatkan oleh Bank Jago merupakan hasil langsung dari efisiensi mitigasi berbasis Machine Learning.
inya: Secara finansial, investasi Bank Jago pada teknologi ML memberikan pengembalian (ROI) yang sangat nyata dalam bentuk penyelamatan aset dari serangan siber atau penipuan.
Hasil ini membuktikan bahwa pada periode 2024-2025.
Bank Jago berhasil mengintegrasikan teknologi untuk menekan risiko Berdasarkan Stewardship Theory, manajemen telah menjalankan fungsinya secara optimal untuk menjaga keamanan dana nasabah (Mahmudi, 2.
Peningkatan nilai R2 yang signifikan pada variabel keamanan (Fraud & Kerugia.
selaras dengan riset terbaru yang menyatakan bahwa dalam perbankan digital, teknologi bukan lagi sekadar pendukung, melainkan penentu utama keberlanjutan bisnis (Widjaja, 2.
PEMBAHASAN
Pengaruh Machine Learning (ML) terhadap Mitigasi Risiko Kredit .
Berdasarkan hasil diatas bahwa ada pengaruh positif ML terhadap pengelolaan Resiko kredit.
Hal ini menunjukkan bahwa semakin tinggi tingkat adopsi dan kecanggihan ML, maka kualitas pengelolaan risiko kredit akan semakin bagus .
Secara teori dan bukti empiris pasca-2020, penguatan ML dalam sistem perbankan berbanding lurus dengan peningkatan kualitas mitigasi risiko.
Risiko kredit tidak "turun" dalam arti hilang.
Page | 73 Dwi Ermayanti Susilo1.
Novi Sri Sandyawati2.
Farasandya Amalia Hapsari3 BISMAN Bisman (Bisnis dan Manajeme.
: The Journal of Business and Management Submitted: 25-01-2025 | Accepted: 03-02-2026 | Published: 04-02-2026 Vol.
9 No.
Halaman: 64 Ae 78 tetapi terkelola dengan jauh lebih akurat, yang pada akhirnya menurunkan rasio kerugian digitalisasi keuangan saat ini telah menggeser paradigma penilaian kredit dari model statis menuju model dinamis yang berbasis pada data masif .
ig dat.
Secara teoretis, hubungan positif antara kecanggihan Machine Learning (ML) dan kualitas mitigasi risiko didasarkan pada Teori Informasi Simetris, di mana ML berperan sebagai alat untuk mereduksi ketidakpastian informasi antara kreditur dan debitur.
Dengan algoritma yang semakin canggih, institusi keuangan mampu menangkap pola perilaku non-linear yang tidak terdeteksi oleh model tradisional.
Hasil penelitian ini sejalan dengan penelitian yang dilakukan oleh Bussmann et al.
yang menyatakan bahwa ML memungkinkan bank untuk tidak hanya memprediksi gagal bayar dengan akurasi tinggi, tetapi juga memahami alasan di balik risiko tersebut, sehingga pengambilan keputusan menjadi lebih berkualitas.
Sejalan dengan itu.
Kozodoi et .
dalam studinya menekankan bahwa kecanggihan algoritma ML secara signifikan menurunkan tingkat error dalam klasifikasi risiko, yang secara langsung berdampak pada penurunan rasio kredit bermasalah (NPL).
Apabila dikaitkan dengan Teori Sinyal (Signalling Theor.
, di mana adopsi ML yang tinggi menjadi "sinyal" bahwa bank memiliki sistem mitigasi risiko yang kuat, yang menurut Pauleviciene & Krusinskas .
, sangat krusial dalam menjaga stabilitas modal di tengah ketidakpastian ekonomi global.
Dengan demikian, semakin tinggi adopsi ML, maka semakin presisi proses identifikasi, pengukuran, dan pemantauan risiko kredit, yang secara keseluruhan meningkatkan efektivitas manajemen risiko perbankan.
Penelitian lain yang mendukung bahwa ML berpengaruh signifikan terhadap penurunan NPL diperkuat oleh studi Kozodoi dkk.
dimana ML tidak hanya meningkatkan akurasi klasifikasi risiko tetapi juga mampu menangani data yang tidak seimbang .
mbalanced dat.
secara lebih efektif daripada metode ekonometrika klasik.
Selain itu.
Bakouri dan El Ghini .
dalam konteks perbankan digital menunjukkan bahwa penggunaan Gradient Boosting Machines (GBM) secara konsisten menghasilkan Area Under Curve (AUC) yang lebih tinggi dalam memprediksi gagal bayar.
Hal ini memvalidasi bahwa efektivitas ML dalam menekan risiko kredit bersifat universal di berbagai pasar keuangan karena kemampuannya menangkap hubungan non-linear antar variabel ekonomi.
Dan hasil penelitian tidak sejalan dengan penelitian Bycker dkk.
dalam penelitiannya mengenai transparansi model kredit menekankan bahwa meskipun ML memiliki nilai R2 yang tinggi, model ini dianggap sering kali gagal dalam aspek interpretabilitas dibandingkan regresi logistik tradisional.
Hal ini dapat menyebabkan "penolakan halus" dari sisi regulator karena adanya risiko bias tersembunyi.
Lebih lanjut.
Chen dkk.
mencatat bahwa dalam kondisi ekonomi yang sangat fluktuatif .
eperti pasca-pandem.
, model ML yang dilatih pada data masa lalu cenderung mengalami overfitting dan kehilangan keandalannya jika tidak dilakukan kalibrasi ulang secara berkala.
Penelitian ini menunjukkan bahwa tanpa pengawasan manusia yang ketat .
uman-in-theloo.
, pengaruh positif ML terhadap mitigasi risiko kredit dapat menurun drastis saat terjadi pergeseran struktural di pasar.
Page | 74 Dwi Ermayanti Susilo1.
Novi Sri Sandyawati2.
Farasandya Amalia Hapsari3 BISMAN (Bisnis dan Manajeme.
: The Journal of Business and Management Vol.
9 No.
Halaman: 64 Ae 78 Pengaruh Machine Learning (ML) terhadap Deteksi Fraud .
Hasil studi literatur ini menunjukan bahwa adanya pengaruh positif Machine Learning (ML) dengan Deteksi Fraud.
Hal ini menunjukkan bahwa semakin canggih dan akurat model ML yang diterapkan, maka kemampuan sistem dalam mengidentifikasi pola penipuan yang kompleks akan semakin meningkat.
Hasil penelitian ini sejalan dengan penelitian Bouska dkk.
, bahwa implementasi ML dalam sistem perbankan terbukti meningkatkan kecepatan deteksi transaksi mencurigakan hingga 80% dibandingkan metode manual, sehingga sangat efektif dalam memitigasi serangan siber yang kompleks.
Selain itu Jan dkk.
membuktikan bahwa penggunaan algoritma ML memberikan pengaruh positif yang signifikan terhadap deteksi fraud pada kartu kredit dibandingkan metode konvensional karena kemampuannya menangani data yang sangat tidak seimbang .
mbalanced dat.
dan penelitian ini tidak sejalan dengan penelitian Dudhem dkk.
menyoroti bahwa model ML yang sangat kompleks sering kali menjadi "kotak hitam" .
lack bo.
yang sulit Dalam praktiknya, jika model terlalu rumit namun tidak bisa dijelaskan .
, efektivitasnya dalam pengambilan keputusan hukum atau investigasi justru menurun, sehingga "bagus" secara matematis tidak selalu berarti "bagus" secara Semakin kuat model ML mengejar akurasi, semakin besar risiko terjadinya diskriminasi sistemik yang merugikan nasabah jujur, sehingga secara fungsional deteksi fraud tersebut dianggap gagal karena merusak pengalaman pengguna (Yan.
, et al.
Pengaruh Machine Learning (ML) terhadap Mitigasi Kerugian Finansial .
Hasil studi ini menunjukkan adanya pengaruh positif manfaat yang dirasakan nasabah dengan semakin tinggi .
anggih/akura.
Machine Learning (ML), maka mitigasi kerugian finansial juga semakin tinggi.
Secara teoritis, ini sering dianggap benar, namun dalam praktik operasional perbankan dan fintech pasca-2020, hubungan ini terbukti tidak selalu Ini menunjukkan bahwa ML tidak hanya berfungsi sebagai alat prediksi, tetapi juga sebagai instrumen penyelamat aset.
Hal ini mendukung Teori Resiliensi Organisasi, di mana teknologi memperkuat benteng pertahanan finansial bank dari kerugian yang tidak Menurut OJK .
dalam Blueprint Transformasi Digital Perbankan, efisiensi operasional dan pengurangan biaya kerugian akibat kesalahan manusia .
uman erro.
dan risiko kredit adalah dampak utama dari otomatisasi manajemen risiko.
Penelitian Kaur dkk.
juga menekankan bahwa mitigasi kerugian melalui ML memberikan dampak positif ganda pada stabilitas modal bank.
Dan penelitian ini tidak sejalan dengan penelitian Penelitian terbaru mulai menyanggah bahwa "semakin tinggi ML selalu lebih baik.
" Ada titik jenuh di mana biaya untuk membangun, menjalankan, dan memelihara model ML yang sangat canggih .
eperti Deep Learning dengan miliaran paramete.
justru lebih mahal daripada nilai kerugian finansial yang berhasil dicegahnya.
Selain itu, model yang terlalu sensitif dapat menyebabkan "kelelahan peringatan" .
lert fatigu.
pada tim investigasi Sarker dkk.
berargumen bahwa model yang sangat kompleks sering kali mengalami kegagalan saat diterapkan di dunia nyata karena biaya komputasi yang tinggi dan lambatnya respon real-time.
Dalam banyak kasus, model yang "lebih sederhana" Page | 75 Dwi Ermayanti Susilo1.
Novi Sri Sandyawati2.
Farasandya Amalia Hapsari3 BISMAN Bisman (Bisnis dan Manajeme.
: The Journal of Business and Management Submitted: 25-01-2025 | Accepted: 03-02-2026 | Published: 04-02-2026 Vol.
9 No.
Halaman: 64 Ae 78 namun cepat dan mudah diinterpretasi justru lebih efektif dalam memitigasi kerugian finansial daripada model "tinggi" yang lamban dalam memproses transaksi di jam sibuk.
PENUTUP
Kesimpulan Berdasarkan hasil penelitian, dapat disimpulkan bahwa adopsi Machine Learning memiliki pengaruh signifikan terhadap pengelolaan risiko kredit, deteksi fraud, dan mitigasi kerugian pada bank.
Peningkatan adopsi Machine Learning secara konsisten dikaitkan dengan penurunan rasio NPL, yang menunjukkan bahwa kualitas kredit meningkat dan risiko gagal bayar berkurang secara signifikan secara statistik.
Selain itu, implementasi Machine Learning juga meningkatkan jumlah fraud yang terdeteksi dan besarnya kerugian yang dapat dicegah, menunjukkan bahwa teknologi ini tidak hanya efektif dalam prediksi tetapi juga dalam pencegahan kerugian finansial.
Secara keseluruhan, penelitian ini menegaskan bahwa penggunaan Machine Learning sebagai alat mitigasi risiko kredit memberikan dampak positif ganda, yaitu memperkuat stabilitas keuangan bank, meningkatkan efisiensi operasional, dan membangun kepercayaan pemangku kepentingan, sejalan dengan temuan penelitian sebelumnya yang menekankan peran teknologi dalam meningkatkan kinerja dan keamanan portofolio kredit bank Saran Bank Jago sebagai salah satu bank digital sebaiknya melakukan transisi dari model Black Box ke Explainable AI (XAI) untuk menjamin transparansi keputusan kredit dan meminimalisir risiko tuntutan hukum dari nasabah.
Segera merancang Regulatory Sandbox khusus untuk pengujian algoritma ML guna memastikan kepatuhan terhadap prinsip keadilan .
dan UU Pelindungan Data Pribadi (UU PDP) yang ditetapkan dalam regulas OJS Mengintegrasikan variabel makroekonomi dalam model ML untuk melakukan stress testing terhadap fenomena Data Drift .
erubahan perilaku data akibat guncangan ekonom.
sebagai tindaklanjut dari penelitian selanjutnya Urgensi Adanya ancaman Cyber-Fraud Dinamis pada Sistem rule-based tradisional sudah usang dalam menghadapi pola penipuan digital yang berevolusi setiap hari dan setiap waktu sehingga dapat merugikan nasabah Menjaga stabilitas Sistem Keuangan di tengah maraknya bank digital, pengendalian Non-Performing Loan (NPL) melalui ML menjadi pertahanan utama dalam menjaga likuiditas sistemik.
Memberikan bukti nyata bagi regulator bahwa teknologi bukan sekadar tren, melainkan instrumen mitigasi risiko yang wajib distandarisasi secara hukum.
Page | 76 Dwi Ermayanti Susilo1.
Novi Sri Sandyawati2.
Farasandya Amalia Hapsari3 BISMAN (Bisnis dan Manajeme.
: The Journal of Business and Management Vol.
9 No.
Halaman: 64 Ae 78 Novelty Berbeda dengan mayoritas riset yang hanya mengukur akurasi teknis .
eperti F1Score atau AUC), penelitian ini menghubungkan adopsi ML langsung dengan nominal kerugian yang berhasil dicegah .
oss preventio.
Menemukan bahwa ML tidak hanya berfungsi sebagai alat teknis .
, tetapi juga sebagai instrumen strategis yang meningkatkan kepercayaan investor dan nasabah terhadap tata kelola risiko bank di era digital sehingga dapat merubah Paradigma Stakeholder Trust pada bank Jago Page | 77 Dwi Ermayanti Susilo1.
Novi Sri Sandyawati2.
Farasandya Amalia Hapsari3 BISMAN Bisman (Bisnis dan Manajeme.
: The Journal of Business and Management Submitted: 25-01-2025 | Accepted: 03-02-2026 | Published: 04-02-2026 Vol.
9 No.
Halaman: 64 Ae 78
DAFTAR PUSTAKA