Membangun "Radar Dini" Memperkuat Pengawasan Perusahaan Pembiayaan
Catatan: Artikel ini merupakan opini pribadi penulis dan tidak mencerminkan pandangan Redaksi CNBCIndonesia.com
Industri perusahaan pembiayaan (multifinance) memiliki posisi strategis dalam ekosistem keuangan nasional sebagai "mesin penggerak" dan penopang konsumsi dan investasi rumah tangga mulai dari pembiayaan kendaraan bermotor, alat berat, multiguna, hingga modal kerja.
Di balik perannya yang strategis di tengah dinamika siklus ekonomi, perubahan perilaku konsumen, serta akselerasi digitalisasi pembiayaan, industri ini juga menyimpan karakter risiko yang khas yang terintegrasi dan beririsan erat dengan perbankan (sebagai sumber pendanaan), terhubung dengan ekosistem dealer/ATPM, dan menjadi bagian penting dari kelompok usaha keuangan.
Ketika tekanan terjadi di perusahaan pembiayaan, efek rambatnya dapat menjalar ke grup usaha dan menguji ketahanan sistem keuangan. Dalam konteks inilah, penguatan pengawasan berbasis risiko menjadi keniscayaan, bukan pilihan.
EWS Membaca dan Mencegah Risiko Lebih Awal
Isu penagihan oleh debt collector perusahaan pembiayaan yang kerap berujung pada konflik dengan konsumen kembali muncul di ruang publik. Setiap kasus biasanya memantik perdebatan serupa: soal etika penagihan, kepatuhan terhadap ketentuan perlindungan konsumen, hingga tuntutan penegakan hukum. Namun, diskursus tersebut sering berhenti di hilir, pada gejala yang tampak di lapangan, tanpa menyentuh persoalan yang lebih mendasar.
Padahal, praktik penagihan agresif hampir selalu merupakan mekanisme terakhir (last resort) ketika kualitas pembiayaan telah memburuk dan ruang penyelamatan semakin sempit. Ia bukan titik awal masalah, melainkan indikator bahwa sistem deteksi dan pengelolaan risiko di hulunya belum bekerja optimal.
Dengan kata lain, semakin sering industri bergantung pada debt collector, semakin besar pertanyaan terhadap efektivitas deteksi dini risiko yang dimiliki perusahaan maupun pengawas.
Dalam kerangka pengawasan modern, pendekatan seperti ini tidak lagi memadai. Pengawasan harus mampu mencegah kondisi potensial pencipta konflik. Di sinilah Early Warning System (EWS) menemukan relevansinya menjadi elemen kunci dalam transformasi pengawasan perusahaan pembiayaan.
EWS bukan sekadar perangkat teknis, melainkan sebuah kerangka berpikir pengawasan modern yang menempatkan pencegahan sebagai pilar utama. Pendekatan ini sejalan dengan transformasi pengawasan Otoritas Jasa Keuangan (OJK) yang semakin menekankan prinsip forward looking, risk-based, dan proporsional.
Pengalaman krisis keuangan menunjukkan bahwa risiko kredit jarang muncul secara tiba-tiba. Pemburukan kualitas pembiayaan biasanya diawali oleh sinyal-sinyal halus: perlambatan pembayaran pada segmen tertentu, tekanan makroekonomi, peningkatan leverage, atau melemahnya profitabilitas.
Jika sinyal ini terdeteksi sejak dini, tentunya akan memandu respons kebijakan yang tepat dan efektif. Restrukturisasi dapat dilakukan lebih awal, komunikasi dengan debitur masih terbuka, dan tekanan sosial akibat penagihan keras dapat dihindari.
Dengan memanfaatkan data pelaporan yang granular, indikator keuangan dan non-keuangan, serta variabel makroekonomi, EWS membantu pengawas dan industri memahami bukan hanya "apa yang sedang terjadi", tetapi "apa yang berpotensi terjadi".
Riset teranyar yang dilakukan OJK (Desember 2025) menempatkan rasio pembiayaan bermasalah/Non-Performing Financing (NPF) pada perusahaan pembiayaan sebagai jangkar utama. NPF bukan sekadar angka kualitas kredit/pembiayaan melainkan pemicu berantai yang menekan profitabilitas, menggerus modal, dan memicu tekanan likuiditas bila tidak terdeteksi sejak dini.
Mengapa EWS menjadi kebutuhan, bukan pilihan?
Ada dua realitas yang membuat EWS semakin relevan. Pertama, pandemi menjadi titik balik: sebelum Covid-19, industri relatif stabil, tetapi setelahnya banyak indikator kinerja melemah dan jumlah perusahaan menurun akibat konsolidasi, penghentian usaha, hingga isu kepatuhan ekuitas minimum.
Kedua, struktur industrinya sendiri dinamis. Secara struktural, industri perusahaan pembiayaan Indonesia juga tengah mengalami penataan. Per Agustus 2025, jumlah perusahaan pembiayaan tercatat 196 entitas, dengan karakter afiliasi yang beragam mulai dari yang terafiliasi perbankan, grup ATPM, hingga perusahaan independen.
Dalam beberapa tahun terakhir, publik juga mencatat adanya pencabutan izin usaha dan penggabungan (merger) sejumlah perusahaan pembiayaan, baik karena konsolidasi grup usaha maupun ketidakmampuan memenuhi ketentuan tertentu.
Fenomena ini penting dibaca secara jernih. Berkurangnya jumlah perusahaan tidak serta-merta berarti melemahnya industri. Sebaliknya, ia dapat mencerminkan proses cleansing dan penguatan struktur industri. Namun proses ini akan jauh lebih sehat lagi jika didorong oleh deteksi dini risiko. Hal itu mempertegas pesan penting: pengawasan tidak hanya memotret kondisi "hari ini", tetapi harus mampu mengantisipasi "kurva besok".
Big data: ketika pengawasan bertemu sains data
Kekuatan utama riset EWS ini adalah skala datanya yang fantastis. Riset ini telah mengolah dataset terintegrasi dari pelaporan OJK berupa Data Piutang dan Data Pembiayaan Bersama dengan total sekitar 90 juta baris observasi sepanjang 2020-2025 (sebesar sekitar 46 GB, 44 variabel). Data mikro tersebut dipadukan dengan data rasio pengawasan seperti ROA, ROE, Gearing Ratio, serta variabel makro seperti BI Rate, inflasi, GDP, pengangguran, dan World Uncertainty Index (WUI).
Menariknya, riset ini tidak berhenti pada level industri, tetapi juga dapat diarahkan untuk level individu Perusahaan sehingga keluaran model bisa menjadi "radar" bagi
pengawas yang menandai perusahaan mana yang perlu perhatian lebih intensif dan sekaligus menjadi "alert" bagi pengawasan internal perusahaan. Alur pengolahan datanya jelas: dari data source, cleaning, feature engineering/selection, training-testing, validasi-evaluasi, hingga output yang dirancang dapat menjadi bagian dari SupTech.
Untuk memastikan model tidak bias pada satu karakter industri, dataset juga dipandang melalui lensa pengelompokan afiliasi, terutama PP Terafiliasi Bank dan PP ATPM (Agen Tunggal Pemegang Merek); sampel disusun untuk mencakup porsi aset yang representatif per kelompok dengan sample 70% dari aset total per grup.
Dari formula statis ke model adaptif: mengapa machine learning?
Selama ini, EWS di banyak tempat cenderung berupa formula sederhana: mudah, cepat, transparan, tapi sering kesulitan menangkap pola non-linear dan tidak "belajar" dari sejarah.
Dalam riset ini, pendekatan tersebut dibandingkan dan ditingkatkan menuju model yang lebih adaptif, kaya variabel, dan dapat retrain seiring masuknya data baru melalui komparasi empat pendekatan: regresi linear, LightGBM, XGBoost, dan LSTM. Tujuannya bukan sekadar mencari "model paling canggih", melainkan menemukan kombinasi yang paling stabil, konsisten, dan dapat dipertanggungjawabkan untuk kebutuhan pengawasan.
Hasil ringkasnya penting: determinan prediktif NPF berbeda antar jenis perusahaan pembiayaan. Pada kelompok terafiliasi bank, misalnya, faktor dominan mencakup NPF Gross, perubahan/lag NPF, BOPO, ROA/ROE, gearing ratio, serta variabel makro seperti inflasi, pengangguran, dan WUI bahkan sampai dimensi portofolio seperti lokasi dan sektor ekonomi.
Sementara pada kelompok ATPM, faktor utama menonjol pada jejak historis NPF, BOPO, gearing ratio, inflasi, GDP, WUI, lokasi, hingga struktur pembiayaan (multiguna/investasi/modal kerja) dan volume piutang pokok.
Pada fase feature importance, variabel pendorong prediksi NPF juga dipetakan dalam tiga lapisan: eksternal (BI Rate, inflasi, GDP, pengangguran, WUI), internal (ROA, ROE, BOPO, gearing), dan portofolio (lokasi, sektor, jenis pembiayaan, jenis barang/jasa yang dibiayai).
EWS yang "berguna" harus bisa memandu aksi
Nilai EWS dalam konteks pengawasan perusahaan pembiayan baik internal maupun eksternal bukan sekadar memberi sinyal "naik/turun", melainkan menjawab pertanyaan: lalu apa yang harus dilakukan? Di sinilah pendekatan prediksi NPF menjadi sangat operasional. Prediksi NPF dapat dipakai untuk forward-looking assessment atas kesehatan perusahaan pembiayaan secara menyeluruh bukan hanya kredit, tetapi juga rentabilitas, permodalan, hingga leverage.
Contohnya, jika model memprediksi NPF naik dan implikasinya meningkatkan kebutuhan pencadangan (CKPN), pengawas maupun perusahaan dapat mengantisipasi tekanan ke modal inti dan merumuskan respons: mendorong penguatan modal atau membatasi ekspansi perusahaan yang lebih rentan.
Aspek leverage bahkan lebih "terukur" lewat gearing ratio (total utang/modal sendiri). Ketika NPF diprediksi naik, perusahaan dengan gearing tinggi menjadi lebih rentan sehingga bisa mendorong langkah penurunan leverage atau pembatasan pendanaan eksternal pada profil tertentu.
EWS yang baik akan mengubah pengawasan dari sekadar "membaca laporan masa lalu" menjadi "mendesain pencegahan" lebih tepat waktu, lebih presisi, dan lebih proporsional karena berbasis data.
Menajamkan implikasi: apa yang perlu dijaga ke depan?
Dari kacamata kebijakan, ada tiga pelajaran penting. Pertama, pengawasan berbasis risiko perlu bertransformasi menjadi pengawasan berbasis prediksi. Ini bukan sekadar soal teknologi, melainkan pergeseran paradigma pengawasan: lebih proaktif, terukur, dan konsisten.
Riset tentang analisis model EWS pada pengawasan pembiayaan ini bukan sekadar studi teknis, tetapi dapat menjadi fondasi SupTech OJK untuk pengawasan forward-looking, termasuk mendukung pengawasan terintegrasi konglomerasi dan mandat KSSK.
Kedua, granularitas portofolio adalah kunci. Banyak sistem peringatan dini gagal karena terlalu makro: NPF agregat tampak aman, padahal ada kantong risiko di lokasi/komoditas/sektor tertentu. Temuan feature importance yang menempatkan lokasi, sektor, dan jenis barang/jasa (misalnya kendaraan roda dua/empat) sebagai faktor signifikan memberi sinyal bahwa pengawasan perlu "membumi" sampai struktur portofolio.
Ketiga, konsolidasi industri perlu dibaca sebagai sinyal kesehatan ekosistem, bukan sekadar angka berkurang. Ketika ada pencabutan izin atau penggabungan usaha, itu menandakan ada dinamika kapasitas modal, tata kelola, atau model bisnis yang perlu diperkuat yang merefleksikan proses penataan industri berlangsung, dan EWS dapat membantu agar proses tersebut lebih terarah: yang lemah terdeteksi lebih dini, dan yang kuat dapat tetap lebih terjaga.
Menjaga industri tetap sehat, berdaya saing, dan berkelanjutan
Pada akhirnya, tujuan besarnya sederhana namun krusial: menjaga ekosistem perusahaan pembiayaan tetap menjadi penopang ekonomi riil, tanpa menjadi sumber risiko yang tak terlihat. EWS menawarkan pendekatan sistemik.
Dengan memanfaatkan big data pelaporan, indikator keuangan dan non-keuangan, serta variabel makroekonomi, EWS memungkinkan pengawasan yang lebih presisi bahkan hingga level portofolio dan karakteristik debitur. Ketika pengawas dan industri sama-sama memiliki visibilitas atas risiko yang sedang tumbuh, respons kebijakan dapat diarahkan pada pencegahan, bukan pemadaman kebakaran.
Model EWS berbasis big data sebagai ikhtiar bersama untuk memastikan bahwa industri perusahaan pembiayaan terus tumbuh secara sehat, manusiawi, dan berkelanjutan sekaligus memberikan kontribusi nyata bagi perekonomian nasional.
Pada akhirnya, pengawasan yang mampu membaca risiko lebih awal adalah pengawasan yang tidak hanya menjaga stabilitas industri, tetapi juga merawat kepercayaan publik modal terpenting bagi sektor jasa keuangan.
(miq/miq) Add
as a preferred
source on Google