Penerapan Alternative Data dan Machine Learning untuk Optimasi Credit Scoring

Scheduled 22 – 23 Juli 2026 Bandung

Registration

Penerapan Alternative Data dan Machine Learning untuk Optimasi Credit Scoring

22 – 23 Juli 2026 Bandung Hotel Zest Sukajadi

Description

Perkembangan teknologi digital telah mengubah pendekatan bank dalam melakukan penilaian kelayakan kredit. Selain memanfaatkan data keuangan konvensional, bank kini dapat menggunakan alternative data seperti perilaku transaksi, aktivitas digital, data pembayaran utilitas, hingga data ekosistem bisnis untuk memperoleh gambaran yang lebih komprehensif mengenai profil risiko calon debitur. Dikombinasikan dengan Machine Learning (ML), pendekatan ini mampu meningkatkan akurasi credit scoring, mempercepat proses keputusan kredit, memperluas akses pembiayaan, serta tetap menjaga kualitas portofolio kredit. Pelatihan ini membahas strategi implementasi alternative data dan machine learning yang akurat, transparan, dapat dijelaskan (explainable), serta selaras dengan prinsip kehati-hatian, tata kelola model, dan regulasi perbankan

Objectives

Setelah mengikuti pelatihan ini, peserta diharapkan mampu:

Memahami konsep alternative data dan machine learning dalam credit scoring.
Mengidentifikasi sumber alternative data yang relevan dan berkualitas.
Membangun kerangka pengembangan model credit scoring berbasis machine learning.
Menerapkan tata kelola model (Model Risk Management) dan validasi model secara efektif.
Mengoptimalkan akurasi prediksi risiko kredit tanpa mengabaikan prinsip kehati-hatian dan kepatuhan.
Menyusun strategi implementasi credit scoring berbasis AI yang aman, transparan, dan berkelanjutan.

Course outline

1. Konsep Alternative Data dan Machine Learning dalam Credit Scoring

Evolusi credit scoring dari metode konvensional ke AI.
Jenis-jenis alternative data yang dapat dimanfaatkan.
Manfaat dan tantangan implementasi machine learning.

2. Identifikasi dan Pengelolaan Alternative Data

Sumber data internal dan eksternal.
Kualitas data, integritas, dan data governance.
Pengelolaan privasi serta persetujuan penggunaan data.

3. Feature Engineering dan Data Preparation

Seleksi variabel yang relevan.
Transformasi dan pembersihan data.
Penanganan data yang tidak seimbang (imbalanced dataset).

4. Pengembangan Model Machine Learning

Pemilihan algoritma machine learning untuk credit scoring.
Training, testing, dan evaluasi model.
Interpretasi hasil model dan explainable AI.

5. Validasi Model dan Model Risk Management

Pengujian akurasi, stabilitas, dan konsistensi model.
Monitoring model drift dan penurunan performa.
Dokumentasi dan tata kelola model.

6. Integrasi Machine Learning ke Proses Analisis Kredit

Kolaborasi model AI dengan analisis kredit konvensional.
Penetapan batas otomatisasi dan human review.
Workflow persetujuan kredit berbasis data.

7. Pengendalian Risiko dan Kepatuhan

Pencegahan bias algoritma dan diskriminasi.
Kepatuhan terhadap regulasi perlindungan data dan manajemen risiko.
Peran fungsi kepatuhan, risiko, dan audit internal.

8. Monitoring Kinerja Credit Scoring

Pengukuran akurasi prediksi dan kualitas portofolio.
Dashboard monitoring model.
Continuous learning dan penyempurnaan model.

9. Strategi Implementasi di Lingkungan Perbankan

Roadmap implementasi machine learning.
Pengembangan kompetensi SDM dan perubahan budaya kerja.
Kolaborasi antara unit bisnis, risiko, TI, dan data analytics.

10. Studi Kasus dan Simulasi Credit Scoring Berbasis Machine Learning

Analisis implementasi alternative data pada penilaian kredit.
Simulasi pengembangan dan validasi model machine learning.
Penyusunan action plan implementasi credit scoring yang akurat, transparan, dan mendukung peningkatan kualitas portofolio kredit.