Program Studi Bisnis Digital • FEB

Laboratorium Financial Technology

Pertemuan 2 — Teknologi Pendukung Fintech: Cloud Computing, Big Data, dan AI/ML

Tiga mesin di balik setiap aplikasi fintech: komputasi awan sebagai fondasi infrastruktur, big data sebagai bahan bakar, dan AI/ML sebagai otak pengambil keputusan.

RPS MINGGU 2 • 2 × 50 MENIT

Selamat pagi/siang, Anda semua. Minggu lalu kita membahas bagaimana fintech mendisrupsi layanan keuangan tradisional — hari ini kita masuk ke "dapur"-nya: teknologi apa yang membuat semua itu mungkin. Bayangkan Anda membuka aplikasi GoPay untuk transfer uang, atau OVO menyetujui limit PayLater Anda dalam hitungan detik — di balik layar, ada tiga teknologi besar yang bekerja sama: cloud computing yang menyediakan "gudang komputer" tanpa Anda perlu beli server sendiri, big data yang mengumpulkan dan mengolah jutaan transaksi setiap detik, dan AI/machine learning yang mempelajari pola dari data itu untuk membuat keputusan otomatis. Hari ini kita akan bedah ketiganya satu per satu, dengan contoh nyata dari BCA, Bank Jago, hingga startup fintech Indonesia. Di akhir pertemuan, Anda akan paham mengapa ketiga teknologi ini disebut sebagai "tiang penyangga" ekosistem fintech modern.

Tujuan Pembelajaran Hari Ini

Setelah pertemuan ini, Anda diharapkan mampu menjelaskan peran teknologi pendukung dalam ekosistem fintech serta mengaitkannya dengan kasus nyata industri. Secara rinci:

KONSEP

Pilar Teknologi

Memahami definisi dan cara kerja cloud computing, big data, dan AI/ML secara sederhana dan runtut.

APLIKASI

✓

Studi Kasus Lokal

Mengaitkan tiap teknologi dengan contoh nyata fintech Indonesia: mobile banking, e-wallet, credit scoring.

Ketiga teknologi ini akan terus muncul di pertemuan-pertemuan berikutnya — mulai dari pembayaran digital, P2P lending, hingga RegTech setelah UTS.

Mari kita samakan ekspektasi dulu sebelum masuk materi. Ada tiga tujuan besar hari ini. Pertama, Anda akan mampu menjelaskan dengan bahasa sendiri apa itu cloud computing, big data, dan AI/machine learning — tanpa perlu latar belakang pemrograman sama sekali, karena ini mata kuliah bisnis digital, bukan ilmu komputer murni. Kedua, Anda akan bisa mengaitkan tiap teknologi dengan aplikasi fintech yang mungkin sudah Anda pakai sehari-hari, seperti GoPay, DANA, atau aplikasi mobile banking BCA. Ketiga, Anda akan memahami mengapa ketiga hal ini saling terkait — big data tidak berguna tanpa cloud untuk menyimpannya, dan AI tidak bisa belajar tanpa big data sebagai gurunya. Konsep hari ini akan menjadi fondasi yang terus kita pakai sampai akhir semester, jadi pastikan Anda benar-benar paham, bukan sekadar menghafal istilah.

Mengapa Teknologi Ini Penting?

Fintech bukan sekadar "aplikasi keuangan" — ia adalah bisnis keuangan yang dijalankan dengan logika teknologi. Tanpa tiga pilar ini, fintech modern tidak mungkin ada.

Coba bayangkan: bank konvensional butuh berhari-hari untuk memutuskan pinjaman karena harus mengecek dokumen manual satu per satu. Aplikasi fintech P2P lending seperti Kredivo bisa memutuskan dalam hitungan menit. Bedanya bukan niat baik — bedanya adalah infrastruktur cloud, data yang melimpah, dan algoritma AI yang bekerja bersamaan.

CLOUD

Infrastruktur elastis, bayar sesuai pakai

BIG DATA

Jejak digital jutaan transaksi per hari

AI/ML

Keputusan otomatis dalam hitungan detik

Pertanyaan pemantik untuk Anda: kenapa aplikasi seperti Kredivo atau Akulaku bisa menyetujui pinjaman dalam hitungan menit, sementara mengajukan KPR ke bank konvensional bisa memakan waktu berminggu-minggu? Jawabannya bukan karena fintech "lebih baik hati" — melainkan karena mereka punya infrastruktur teknologi yang jauh berbeda. Bank konvensional biasanya masih mengandalkan proses manual dan server fisik yang terbatas kapasitasnya. Fintech modern menggunakan cloud computing sehingga bisa menambah kapasitas komputasi dalam hitungan menit saat traffic melonjak, mengumpulkan big data dari riwayat transaksi dan perilaku digital calon peminjam, lalu memakai model AI/machine learning untuk menilai risiko kredit secara otomatis. Tiga hal ini bekerja seperti orkestra — cloud menyediakan panggung, big data menyediakan partitur, dan AI menjadi konduktornya. Sepanjang kuliah hari ini kita akan bongkar cara kerja masing-masing.

Bagian 1 dari 3

Cloud Computing

Fondasi infrastruktur: mengapa fintech tidak perlu membeli ruangan penuh server untuk beroperasi.

Apa itu Cloud Computing?

Cloud computing (komputasi awan) adalah penyediaan sumber daya komputasi — server, penyimpanan data, jaringan, hingga perangkat lunak — melalui internet, dibayar sesuai pemakaian, tanpa perlu memiliki perangkat kerasnya sendiri.

Analoginya: listrik PLN. Anda tidak perlu punya pembangkit listrik sendiri di rumah — cukup nyalakan sakelar, bayar sesuai pemakaian bulanan.

MENGAPA FINTECH BUTUH CLOUD

Elastis — kapasitas bisa naik-turun otomatis saat traffic melonjak (mis. Harbolnas, gajian tanggal 25).
Hemat modal awal — startup fintech tak perlu beli ratusan server sejak hari pertama.
Cepat ekspansi — buka layanan di kota/negara baru cukup lewat konfigurasi, bukan bangun gedung data center.

Mari kita definisikan dengan bahasa sesederhana mungkin. Cloud computing artinya Anda memakai komputer, penyimpanan, dan perangkat lunak yang letaknya jauh — biasanya di gedung data center milik perusahaan lain — tapi Anda akses lewat internet seolah-olah itu milik Anda sendiri. Analoginya seperti listrik dari PLN: Anda tidak perlu punya generator sendiri di rumah, cukup nyalakan sakelar dan bayar sesuai pemakaian. Fintech sangat bergantung pada model ini karena tiga alasan. Pertama, sifatnya elastis — bayangkan aplikasi DANA saat tanggal gajian, jumlah transaksi bisa melonjak drastis dalam hitungan jam, dan cloud bisa otomatis menambah kapasitas server tanpa mahasiswa TI harus datang malam-malam memasang server fisik baru. Kedua, hemat modal — startup fintech baru tidak perlu investasi miliaran rupiah untuk beli server di awal. Ketiga, ekspansi jadi cepat — untuk buka layanan di kota baru, cukup atur konfigurasi cloud, bukan membangun gedung data center baru dari nol.

Tiga Model Layanan Cloud

Cloud computing punya tingkatan layanan, dari yang paling "mentah" sampai paling "siap pakai".

IAAS

Infrastructure

Sewa server & jaringan mentah

Contoh: Amazon Web Services (AWS) EC2. Perusahaan atur sendiri sistem operasi & aplikasinya.

PAAS

Platform

Sewa platform siap-kode

Contoh: Google App Engine. Developer fokus menulis aplikasi, infrastruktur diurus penyedia.

SAAS

Software

Aplikasi siap pakai

Contoh: Google Workspace, Zoom. Pengguna tinggal login, tanpa instalasi apa pun.

Fintech besar seperti bank digital biasanya memakai kombinasi IaaS + PaaS agar punya kendali penuh atas keamanan data nasabah — contoh penyedia: AWS (populer di P2P lending/e-wallet), Google Cloud (analitik & ML bawaan), Microsoft Azure (integrasi sistem lama bank besar).

Regulasi OJK mewajibkan penyedia jasa keuangan menjaga kedaulatan data (data residency) — data nasabah sensitif harus tersimpan sesuai ketentuan Indonesia, tidak sembarang server luar negeri.

Cloud computing tidak monolitik — ia punya tingkatan layanan, dan penting bagi Anda mengenal istilahnya karena akan sering muncul di dunia kerja bisnis digital. Yang pertama adalah IaaS atau Infrastructure as a Service, di mana perusahaan menyewa "mentahan" seperti server dan jaringan, lalu mengatur sendiri sistem operasi dan aplikasinya — contohnya Amazon Web Services yang banyak dipakai startup P2P lending dan e-wallet karena skalabilitasnya cepat. Yang kedua PaaS atau Platform as a Service, di mana penyedia sudah menyiapkan platform siap dipakai untuk menulis kode, sehingga developer tinggal fokus membangun aplikasi — contohnya Google Cloud Platform yang juga kuat di analitik data dan machine learning bawaan. Yang ketiga SaaS atau Software as a Service, yaitu aplikasi yang sudah jadi dan siap dipakai langsung, seperti Google Workspace atau Zoom. Bank digital seperti Bank Jago biasanya memakai kombinasi IaaS dan PaaS, karena mereka butuh kendali penuh atas keamanan data nasabah. Satu hal penting: OJK punya aturan soal kedaulatan data atau data residency, yang mewajibkan penyedia jasa keuangan menjaga sebagian data sensitif nasabah tetap berada di infrastruktur yang memenuhi ketentuan Indonesia — walau memakai cloud global seperti AWS atau Azure, fintech tidak bisa sembarangan menaruh semua data nasabah di server luar negeri. Ini akan kita bahas lebih dalam lagi di pertemuan RegTech setelah UTS.

Bagian 2 dari 3

Big Data

Bahan bakar fintech: dari jutaan transaksi kecil menjadi wawasan bisnis besar.

Apa itu Big Data?

Big data adalah kumpulan data yang begitu besar, cepat, dan beragam sehingga tidak bisa diolah dengan cara-cara pengolahan data konvensional (mis. spreadsheet biasa).

VOLUME

Jutaan transaksi per hari dari seluruh pengguna aplikasi

VELOCITY

Kecepatan data mengalir — real-time, per detik

VARIETY

Beragam bentuk: teks, angka, lokasi, foto KTP

Dua "V" tambahan yang sering disebut: Veracity (kebenaran/kualitas data) dan Value (nilai bisnis yang bisa digali darinya).

Big data sering disalahpahami sebagai "data yang jumlahnya banyak" saja, padahal definisinya lebih kaya dari itu. Para ahli biasa menjelaskannya lewat kerangka lima huruf V. Volume berarti jumlahnya sangat besar — bayangkan GoPay yang memproses jutaan transaksi kecil setiap hari dari ojek online sampai belanja online. Velocity berarti kecepatan data mengalir masuk — data transaksi fintech datang secara real-time, detik demi detik, bukan diunggah sekali sehari. Variety berarti bentuknya beragam — ada data angka seperti nominal transaksi, data teks seperti deskripsi transfer, data lokasi dari GPS ponsel, bahkan data gambar seperti foto KTP saat proses verifikasi identitas atau KYC yang akan kita bahas lebih dalam nanti. Dua V tambahan yang juga penting: Veracity, yaitu seberapa akurat dan bisa dipercaya data itu, serta Value, yaitu seberapa besar nilai bisnis yang bisa digali dari tumpukan data tersebut. Tanpa kelima elemen ini bekerja bersama, data hanya jadi tumpukan angka tanpa makna.

Hitung dari Nol: Estimasi Volume Data Transaksi

Contoh sederhana: sebuah e-wallet fintech ingin mengestimasi berapa volume data transaksi per hari yang harus ditampung sistemnya.

Langkah	Perhitungan	Nilai
1. Pengguna aktif harian	Data internal aplikasi	2.000.000 pengguna
2. Rata-rata transaksi/pengguna/hari	Asumsi rata-rata industri e-wallet	3 transaksi
3. Total transaksi harian	2.000.000 × 3	6.000.000 transaksi
4. Ukuran data per transaksi (catatan digital)	Asumsi rata-rata log transaksi	2 KB (kilobyte)
5. Total volume data harian	6.000.000 × 2 KB	12.000.000 KB = 12 GB

HASIL

~12 GB / hari

Setara ±4,4 Terabyte data mentah per tahun — inilah mengapa dibutuhkan cloud storage elastis

Sekarang mari kita hitung sendiri supaya konsep "big" dalam big data ini terasa konkret, bukan sekadar jargon. Anggap ada sebuah e-wallet dengan dua juta pengguna aktif harian — angka yang realistis untuk pemain menengah di Indonesia. Kalau rata-rata tiap pengguna melakukan tiga transaksi per hari, baik bayar QRIS, transfer, atau top up, maka total transaksi hariannya adalah dua juta dikali tiga, yaitu enam juta transaksi. Setiap transaksi meninggalkan jejak data atau log, katakanlah rata-rata dua kilobyte per transaksi mencakup waktu, lokasi, nominal, dan status. Kalikan enam juta transaksi dengan dua kilobyte, hasilnya dua belas juta kilobyte, atau setara dua belas gigabyte data mentah hanya dalam satu hari. Kalau kita kalikan setahun, itu setara sekitar empat koma empat terabyte. Nah, ini baru satu perusahaan e-wallet menengah — bayangkan jika kita bicara GoPay atau OVO dengan puluhan juta pengguna. Inilah alasan konkret mengapa fintech mutlak butuh cloud storage yang elastis seperti yang kita bahas di bagian pertama tadi.

Coba Sendiri: Estimator Volume Data Transaksi

Ubah angka pengguna aktif harian, jumlah transaksi, dan ukuran log per transaksi — amati bagaimana total volume data harian dan tahunan melonjak.

Big Data dalam Praktik Fintech Indonesia

Data mengalir lewat siklus kumpulkan → simpan → olah → analisis sebelum jadi keputusan bisnis nyata.

CREDIT SCORING ALTERNATIF

Kredivo memakai data non-tradisional (top-up pulsa, pola belanja e-commerce, lokasi) untuk menilai kelayakan kredit warga tanpa riwayat bank (unbanked).

PERSONALISASI PROMO

ShopeePay menganalisis pola belanja untuk memberi promo cashback yang relevan per individu, bukan pukul rata.

UU Pelindungan Data Pribadi (UU PDP) No. 27/2022 mewajibkan consent eksplisit pengguna & keamanan data (enkripsi) sebelum data ini boleh dikumpulkan/diolah — pelanggaran berujung sanksi.

Mari kita lihat bagaimana big data benar-benar dipakai di industri fintech Indonesia. Data yang terkumpul melewati siklus kumpulkan, simpan di cloud storage, olah atau bersihkan, lalu dianalisis — baru setelah itu berguna untuk bisnis. Contoh pertama adalah credit scoring alternatif: bank konvensional menilai kelayakan kredit dari riwayat pinjaman resmi, tapi banyak masyarakat Indonesia yang unbanked, belum pernah berhubungan dengan bank, sehingga tidak punya riwayat itu. Kredivo memakai data alternatif seperti pola isi ulang pulsa, kebiasaan belanja e-commerce, dan lokasi untuk menilai risiko kredit mereka, membuka akses keuangan bagi jutaan warga yang sebelumnya tak terjangkau bank. Contoh kedua, ShopeePay menganalisis pola belanja individual untuk memberi cashback yang relevan, bukan diskon pukul rata. Tapi ingat, semakin besar data yang dikumpulkan, semakin besar tanggung jawabnya — Undang-Undang Pelindungan Data Pribadi Nomor 27 Tahun 2022 mewajibkan fintech mendapat persetujuan eksplisit atau consent dari pengguna sebelum mengumpulkan data pribadi, serta menjaga keamanannya lewat enkripsi. Pelanggaran bisa berujung sanksi administratif hingga pidana — topik ini akan kita perdalam lagi di RegTech setelah UTS.

Bagian 3 dari 3

Artificial Intelligence & Machine Learning

Otak pengambil keputusan: bagaimana mesin belajar dari data untuk membuat keputusan finansial otomatis.

AI vs Machine Learning: Apa Bedanya?

Dua istilah ini sering dipakai bergantian, padahal hubungannya seperti himpunan besar dan himpunan kecil di dalamnya.

ARTIFICIAL INTELLIGENCE (AI)

Konsep umum

Kemampuan mesin meniru kecerdasan manusia — memahami, menalar, membuat keputusan. Payung besar dari semua teknologi "pintar".

MACHINE LEARNING (ML)

Cabang di dalam AI

Cara mesin menjadi pintar: dengan belajar pola dari data (bukan diprogram aturan kaku baris demi baris).

Analoginya: AI adalah tujuan ("membuat mesin pintar"), ML adalah salah satu metode paling populer untuk mencapainya — hampir semua "AI" di fintech saat ini sebenarnya adalah ML.

Banyak orang memakai istilah AI dan machine learning secara bergantian seolah artinya sama persis, padahal hubungannya berjenjang. Artificial intelligence atau kecerdasan buatan adalah konsep besar: kemampuan mesin untuk meniru kecerdasan manusia, seperti memahami bahasa, menalar, atau mengambil keputusan. Ini adalah payung besar yang mencakup banyak pendekatan. Machine learning adalah salah satu cabang di dalam payung itu — cara spesifik agar mesin menjadi pintar, yaitu dengan belajar pola dari data yang sangat banyak, bukan diprogram dengan aturan kaku baris per baris oleh manusia seperti software tradisional. Analogi sederhananya begini: AI adalah tujuannya, yaitu "membuat mesin yang pintar", sedangkan ML adalah salah satu metode paling populer untuk mencapai tujuan itu. Yang perlu Anda catat, hampir semua yang disebut "AI" di aplikasi fintech sehari-hari — mulai dari deteksi penipuan sampai rekomendasi investasi — sebenarnya adalah machine learning, bukan kecerdasan buatan tingkat lanjut seperti di film-film fiksi ilmiah.

Bagaimana Mesin "Belajar"? Walkthrough Sederhana

Contoh kasus: membangun model ML untuk mendeteksi transaksi mencurigakan (fraud) di aplikasi e-wallet.

Tahap	Apa yang Terjadi	Contoh Konkret
1. Kumpulkan data historis	Ambil ribuan transaksi lama yang sudah diberi label "normal" atau "fraud"	50.000 transaksi berlabel dari 6 bulan terakhir
2. Latih model (training)	Model mempelajari pola pembeda antara transaksi normal & fraud	Mis. lokasi janggal, nominal tak wajar, waktu tengah malam
3. Uji model (testing)	Model diuji pada data baru yang belum pernah dilihat	Model menebak label 10.000 transaksi baru
4. Terapkan (deployment)	Model dipasang di sistem produksi, menilai transaksi real-time	Setiap transaksi masuk dinilai <1 detik

Model tidak "sempurna" sejak awal — ia terus diperbarui (retrain) seiring munculnya pola fraud baru, mirip guru yang terus mengajar dengan soal-soal terbaru.

Supaya konsep "mesin belajar" ini tidak terasa abstrak, mari kita telusuri langkah demi langkah dengan contoh kasus nyata: membangun sistem yang mendeteksi transaksi mencurigakan di e-wallet, atau yang biasa disebut fraud detection. Tahap pertama, kumpulkan data historis — perusahaan mengambil puluhan ribu transaksi lama yang sudah diberi label oleh tim manusia sebagai "normal" atau "fraud" berdasarkan investigasi sebelumnya. Tahap kedua, latih model atau training — di sinilah mesin benar-benar "belajar", mencari pola apa yang membedakan transaksi normal dari fraud, misalnya lokasi transaksi yang janggal, nominal yang tidak wajar, atau waktu transaksi di tengah malam yang tidak biasa untuk akun tersebut. Tahap ketiga, uji model atau testing, di mana model diuji dengan data baru yang belum pernah ia lihat sebelumnya, untuk memastikan ia benar-benar belajar pola, bukan sekadar menghafal data lama. Tahap keempat, terapkan atau deployment, di mana model yang sudah teruji dipasang di sistem produksi dan menilai setiap transaksi yang masuk secara real-time, dalam waktu kurang dari satu detik. Yang penting Anda ingat, model ini tidak sempurna sejak awal dan terus diperbarui seiring munculnya modus fraud baru — persis seperti guru yang terus memperbarui soal ujian agar tidak ketinggalan zaman.

Aplikasi AI/ML di Fintech

Empat area utama di mana AI/ML paling banyak dipakai industri fintech saat ini.

CREDIT SCORING

Menilai kelayakan kredit calon peminjam dari ribuan variabel data, jauh lebih cepat & adaptif dibanding skor kredit manual.

FRAUD DETECTION

Mendeteksi transaksi mencurigakan secara real-time, seperti yang kita bahas di walkthrough sebelumnya.

CHATBOT & LAYANAN NASABAH

Menjawab pertanyaan nasabah otomatis 24/7 — mis. chatbot BCA "VIRA" untuk info saldo & kartu.

ROBO-ADVISORY

Merekomendasikan portofolio investasi otomatis berdasar profil risiko pengguna — akan kita dalami di pertemuan WealthTech.

Mari kita rangkum ke mana saja AI dan machine learning ini diterapkan di industri fintech, karena empat area ini akan sering muncul lagi sepanjang semester. Pertama, credit scoring, seperti contoh Kredivo yang kita bahas di bagian big data tadi — AI menilai kelayakan kredit dari ribuan variabel data secara jauh lebih cepat dan adaptif dibanding skor kredit manual ala bank konvensional. Kedua, fraud detection, persis seperti walkthrough yang baru saja kita telusuri, mendeteksi transaksi mencurigakan secara real-time. Ketiga, chatbot dan layanan nasabah otomatis — mungkin Anda pernah berinteraksi dengan chatbot VIRA milik BCA yang bisa menjawab pertanyaan soal saldo atau kartu kapan saja, 24 jam sehari, tanpa perlu antre di customer service. Keempat, robo-advisory, yaitu sistem yang merekomendasikan portofolio investasi secara otomatis berdasarkan profil risiko masing-masing pengguna — ini akan kita bahas lebih detail nanti saat masuk topik WealthTech di pertengahan semester. Perhatikan bahwa keempat aplikasi ini semuanya butuh fondasi cloud computing dan big data yang sudah kita bahas sebelumnya — tiga teknologi ini benar-benar tidak terpisahkan.

Hitung dari Nol: Mengukur Akurasi Model Fraud Detection

Dari 1.000 transaksi yang diuji model, berapa tingkat akurasi deteksi fraud-nya?

Langkah	Perhitungan	Nilai
1. Total transaksi diuji	Data uji (testing set)	1.000 transaksi
2. Transaksi ditebak benar oleh model	Hasil pencocokan dengan label asli	920 transaksi
3. Transaksi ditebak salah oleh model	1.000 − 920	80 transaksi
4. Tingkat akurasi	920 ÷ 1.000 × 100	92%
5. Tingkat kesalahan (error rate)	100% − 92%	8%

HASIL

92% akurat

Artinya dari 100 transaksi, ~8 masih salah diklasifikasi — mengapa model perlu terus diperbarui (lihat slide 16)

Sekarang giliran kita menghitung sendiri seberapa "pintar" sebuah model AI, karena angka akurasi ini adalah bahasa yang wajib Anda pahami di dunia fintech. Misalkan sebuah model fraud detection diuji dengan seribu transaksi dari data uji atau testing set yang belum pernah dilihat model sebelumnya. Dari seribu transaksi itu, hasil pencocokan menunjukkan model berhasil menebak dengan benar sebanyak sembilan ratus dua puluh transaksi, sesuai dengan label aslinya. Artinya, jumlah yang ditebak salah adalah seribu dikurangi sembilan ratus dua puluh, yaitu delapan puluh transaksi. Untuk menghitung tingkat akurasi, kita bagi jumlah yang benar dengan total, yaitu sembilan ratus dua puluh dibagi seribu, dikalikan seratus persen, hasilnya sembilan puluh dua persen. Dari situ, tingkat kesalahan atau error rate-nya adalah seratus persen dikurangi sembilan puluh dua persen, yaitu delapan persen. Sembilan puluh dua persen ini kelihatannya tinggi, tapi dalam konteks fraud detection dengan jutaan transaksi harian seperti yang kita hitung di slide sebelumnya, delapan persen kesalahan masih berarti puluhan ribu transaksi salah diklasifikasi setiap hari — itulah mengapa model harus terus diperbarui seperti yang kita bahas tadi.

Tantangan Penerapan AI/ML di Fintech

AI/ML bukan solusi ajaib — ada risiko yang harus dikelola dengan hati-hati.

Bias algoritma — jika data latih tidak representatif (mis. lebih banyak data dari kota besar), model bisa "tidak adil" pada kelompok tertentu, seperti menolak kredit warga daerah terpencil secara sistematis.

Black box — model ML kompleks sulit dijelaskan alasan keputusannya secara rinci, padahal regulator (OJK) menuntut transparansi keputusan kredit/keuangan.

Karena itu, banyak fintech kini menerapkan prinsip Explainable AI (XAI) — model dirancang agar keputusannya bisa dijelaskan dalam bahasa yang dipahami manusia, bukan sekadar "skor 0,73 = ditolak".

Setelah melihat manfaat besar AI dan machine learning, penting untuk berpikir kritis tentang risikonya, karena inilah cara berpikir seorang praktisi bisnis digital yang matang, bukan sekadar pengguna teknologi. Risiko pertama adalah bias algoritma. Kalau data yang dipakai untuk melatih model lebih banyak berasal dari nasabah kota besar seperti Jakarta atau Surabaya, model bisa secara tidak sengaja "tidak adil" terhadap warga daerah terpencil, misalnya menolak pengajuan kredit mereka secara sistematis hanya karena datanya minim, bukan karena mereka benar-benar berisiko tinggi. Risiko kedua adalah masalah black box — model machine learning yang kompleks, terutama deep learning, sering sulit dijelaskan alasan di balik satu keputusan spesifiknya, padahal regulator seperti OJK menuntut transparansi dalam keputusan yang menyangkut kredit dan keuangan nasabah. Karena dua risiko ini, banyak fintech kini menerapkan prinsip yang disebut Explainable AI atau XAI, di mana model dirancang sedemikian rupa sehingga keputusannya bisa dijelaskan dengan bahasa yang dipahami manusia biasa — bukan sekadar angka skor teknis seperti "skor 0,73 maka ditolak" tanpa penjelasan lebih lanjut.

Latihan Diskusi Kelompok

Bentuk kelompok kecil (3-4 orang). Diskusikan studi kasus berikut selama 10 menit, lalu presentasikan singkat.

STUDI KASUS: STARTUP FINTECH BARU

Sebuah startup fintech P2P lending baru di Semarang ingin meluncurkan produk pinjaman untuk UMKM tanpa riwayat bank. Mereka punya modal terbatas dan tim kecil.

Model cloud apa (IaaS/PaaS/SaaS) yang paling masuk akal di tahap awal, dan mengapa?
Data alternatif apa yang bisa dipakai untuk menilai kelayakan kredit UMKM tanpa riwayat bank?
Risiko AI/ML apa yang harus mereka waspadai sejak awal?

Sekarang saatnya Anda praktik berpikir seperti seorang praktisi fintech sungguhan. Silakan bentuk kelompok kecil berisi tiga sampai empat orang, dan diskusikan studi kasus di layar selama sepuluh menit. Bayangkan Anda adalah tim pendiri startup fintech P2P lending baru di Semarang yang ingin menyalurkan pinjaman untuk UMKM yang belum pernah berhubungan dengan bank, sementara modal dan tim Anda masih terbatas — situasi yang sangat realistis untuk startup tahap awal. Pertama, diskusikan model cloud mana yang paling masuk akal untuk kondisi modal terbatas seperti ini — apakah IaaS, PaaS, atau SaaS, dan mengapa. Kedua, pikirkan data alternatif apa saja yang bisa dipakai untuk menilai kelayakan kredit UMKM yang tidak punya riwayat bank, mengingat kita sudah membahas contoh Kredivo tadi. Ketiga, identifikasi risiko AI/ML apa yang harus mereka waspadai sejak awal supaya tidak mengulangi masalah bias algoritma yang kita bahas sebelumnya. Saya akan berkeliling untuk mendengar diskusi Anda, dan beberapa kelompok akan saya minta mempresentasikan hasilnya secara singkat.

Bagaimana Ketiganya Saling Terkait

Cloud, big data, dan AI/ML bukan tiga hal terpisah — mereka membentuk satu rantai nilai yang saling bergantung.

Mari kita satukan seluruh materi hari ini dalam satu gambaran besar. Cloud computing menyediakan tempat dan daya komputasi — ini fondasi paling dasar, seperti panggung sebuah pertunjukan. Big data mengisi panggung itu dengan bahan mentah berupa jutaan transaksi, log, dan jejak digital pengguna. Terakhir, AI dan machine learning mengolah bahan mentah itu menjadi keputusan nyata yang bisa langsung dipakai bisnis: menyetujui atau menolak kredit, memblokir transaksi fraud, merekomendasikan produk investasi, atau menjawab pertanyaan nasabah lewat chatbot. Ketiganya berurutan dan saling bergantung — tanpa cloud, big data tidak punya tempat mengalir; tanpa big data, AI tidak punya apa pun untuk dipelajari; dan tanpa AI, data yang menumpuk hanya jadi beban penyimpanan tanpa nilai bisnis. Inilah mengapa ketiga topik ini selalu dibahas bersamaan ketika kita bicara "teknologi pendukung fintech" — mereka adalah satu rantai nilai, bukan tiga hal yang kebetulan disebut bersamaan.

Rangkuman: Cheat Sheet Pertemuan Ini

Teknologi	Peran Utama	Contoh Fintech Indonesia
Cloud Computing	Infrastruktur elastis, hemat modal, cepat ekspansi	AWS/GCP/Azure di balik OVO, DANA, Bank Jago
Big Data	Kumpulkan & olah jejak digital jadi wawasan bisnis	Kredivo (credit scoring), ShopeePay (promo)
AI / Machine Learning	Ubah data jadi keputusan otomatis real-time	Fraud detection, chatbot VIRA BCA, robo-advisory

Ingat rantai nilainya: Cloud (tempat) → Big Data (bahan) → AI/ML (keputusan). Ketiganya akan terus kita temui di hampir setiap topik sisa semester ini.

Sebelum kita tutup, mari kita rangkum semua yang telah kita pelajari hari ini dalam satu tabel yang bisa Anda jadikan catatan ringkas untuk belajar nanti. Cloud computing berperan sebagai infrastruktur yang elastis, hemat modal, dan memungkinkan ekspansi cepat — Anda bisa menemukannya di balik layar aplikasi seperti OVO, DANA, atau Bank Jago lewat penyedia seperti AWS, Google Cloud, dan Microsoft Azure. Big data berperan mengumpulkan dan mengolah jejak digital pengguna menjadi wawasan bisnis, seperti yang dilakukan Kredivo untuk credit scoring atau ShopeePay untuk personalisasi promo. AI dan machine learning berperan mengubah data itu menjadi keputusan otomatis secara real-time, mulai dari deteksi fraud, chatbot seperti VIRA milik BCA, sampai robo-advisory. Kunci untuk mengingat semuanya adalah rantai nilai sederhana ini: cloud sebagai tempat, big data sebagai bahan, dan AI/ML sebagai pengambil keputusan. Ketiga konsep ini bukan materi sekali lewat — mereka akan terus muncul di hampir setiap topik sisa semester ini, mulai dari pembayaran digital minggu depan sampai DeFi di akhir semester.

Penutup: Persiapan Pertemuan Berikutnya

Tiga teknologi hari ini adalah fondasi topik-topik berikutnya — cloud & AI muncul lagi di Pembayaran Digital (P4-5), big data & AI di Fintech Lending (P6), dan diperdalam lagi di Cybersecurity (P9-10) setelah UTS.

MINGGU DEPAN (PERTEMUAN 3)

Konsep dasar Blockchain & Distributed Ledger Technology (DLT), plus pengenalan praktik di platform sandbox — bawa laptop Anda.

TUGAS SEBELUM MINGGU DEPAN

Cari 1 berita/artikel tentang penerapan cloud computing, big data, ATAU AI di fintech Indonesia (2024-2026). Siapkan ringkasan 1 paragraf untuk dibahas singkat di awal kelas berikutnya.

Sebelum kita tutup, ingat bahwa materi hari ini bukan topik berdiri sendiri — cloud computing dan AI akan muncul lagi saat kita bahas pembayaran digital dan mobile banking, big data dan AI akan kita dalami lagi di Fintech Lending seperti contoh Kredivo tadi, dan setelah UTS kita akan memperdalam sisi keamanan serta pemodelan data di pertemuan cybersecurity. Sekarang, mari saya sampaikan apa yang akan kita bahas minggu depan dan tugas yang perlu Anda siapkan. Pertemuan ketiga akan membahas konsep dasar blockchain dan distributed ledger technology atau DLT, teknologi di balik cryptocurrency dan banyak inovasi fintech terbaru, dan kita akan langsung praktik singkat menggunakan platform sandbox, jadi pastikan Anda membawa laptop pada pertemuan berikutnya. Sebagai persiapan, tugas Anda adalah mencari satu berita atau artikel tentang penerapan cloud computing, big data, atau AI di fintech Indonesia dalam rentang tahun dua ribu dua puluh empat sampai dua puluh dua ribu dua puluh enam, lalu siapkan ringkasan singkat satu paragraf untuk kita diskusikan bersama di awal kelas minggu depan. Terima Kasih atas perhatian Anda hari ini, sampai jumpa minggu depan, dan jangan ragu menghubungi saya jika ada pertanyaan sebelum pertemuan berikutnya.