RPS minggu 3 · 2x50 menit
AI & Machine Learning dalam Keuangan Dasar Teknologi Finansial & Mata Uang Kripto — Magister Manajemen FEB UNDIP Pekan lalu kita membahas ekosistem pembayaran dan P2P lending. Hari ini kita masuk ke pilar infrastruktur yang paling hype tetapi paling sering disalahpahami: AI dan machine learning dalam keuangan. Anda semua pernah dengar ChatGPT, AlphaGo, atau rekomendasi Netflix — pertanyaan kita bukan apa itu AI, tetapi bagaimana AI/ML benar-benar bekerja di bank, di robo-advisor, di fraud detection, dan di mana batas kemampuannya. Kita akan bedah tiga aplikasi utama: credit scoring alternatif, algorithmic trading, dan fraud detection — dengan kasus konkret Indonesia seperti Kredivo, Bibit, dan deteksi fraud BCA. Akhir pekan kita akan diskusi bias algoritmik dan etika AI di keuangan. Peta Pembelajaran Hari Ini Sub-CPMK 3: menjelaskan penerapan AI dan machine learning pada layanan keuangan — kredit, investasi, asuransi, dan fraud.
Taksonomi AI/ML: supervised, unsupervised, reinforcement learning Pipeline ML: data → feature → training → inference → monitoring Aplikasi 1: Credit scoring alternatif (Kredivo, AdaKami) Aplikasi 2: Robo-advisor & algorithmic trading Aplikasi 3: Fraud detection & AML Bias algoritmik, explainable AI, regulasi OJK Posisi: pekan lalu pilar pembayaran. Hari ini infrastruktur AI/ML. Pekan depan (P4) cloud & API.
Empat hal yang harus Anda kuasai hari ini. Pertama, taksonomi ML — supervised learning untuk prediksi (credit scoring), unsupervised untuk clustering (segmentasi nasabah), reinforcement untuk sequential decisions (trading). Kedua, pipeline end-to-end ML dari data mentah ke inference dan monitoring. Ketiga, tiga aplikasi utama: credit scoring alternatif yang dipakai Kredivo, robo-advisor Bibit/Bareksa, dan fraud detection BCA. Keempat, etika AI — bias algoritmik terhadap gender/etnis/suku, dan kerangka explainable AI yang dipersyaratkan OJK. Diskusi akan banyak memakai kasus konkret Indonesia agar konsep tidak abstrak. Mengapa AI/ML Meledak di Keuangan Sekarang Tiga konvergensi: big data (mobile, IoT), compute (GPU cloud), dan algoritma (deep learning 2012+) — saat ini AI/ML adalah competitive advantage utama bank modern.
Big Data
~80%+
Data keuangan dibangkitkan non-tradisional (transaksi digital, perilaku) — bukan tradisional (cicilan bank)
Compute
~1000x
GPU cloud (AWS, GCP) memungkinkan training model besar dalam jam, bukan tahun
Algorithm
2012+
AlexNet deep learning → transformer (2017) → LLM (2020+) — revolusi algoritma
Pertanyaan pemantik: bank tradisional punya data 50+ tahun. Mengapa mereka kalah dari FinTech dalam pemanfaatan data untuk scoring?
Tiga konvergensi inilah yang membuat AI/ML meledak di keuangan. Big data — sebagian besar data keuangan modern dibangkitkan non-tradisional: transaksi digital, perilaku browsing, lokasi GPS, kontak telepon. Bank tradisional punya data cicilan 50 tahun tetapi terbatas pada nasabah yang sudah masuk; FinTech seperti Kredivo punya data behavioral ribuan sinyal per nasabah. Compute — GPU cloud menurunkan biaya training model dari jutaan dolar ke ratusan dolar. Algoritma — deep learning 2012 dan transformer 2017 (paper "Attention is all you need") menjadi fondasi LLM seperti ChatGPT. Pertanyaan diskusi: bank punya data tapi FinTech lebih cepat — karena kultur IT legacy bank tidak didesain untuk real-time ML, sementara FinTech lahir cloud-native. Bagian 1 · 1/4
Taksonomi & Pipeline ML
Diskusi kelas: deteksi fraud kartu kredit — apakah itu supervised, unsupervised, atau reinforcement learning? Mengapa?
Blok pertama membangun kerangka konseptual. Pertanyaan diskusi deteksi fraud menarik karena jawabannya tergantung pendekatan: jika kita punya label historis transaksi fraud (ya/tidak), itu supervised classification; jika kita tidak punya label dan ingin deteksi anomali, itu unsupervised anomaly detection; jika kita ingin adaptive decision real-time, bisa reinforcement. Mayoritas production fraud detection pakai hybrid — supervised untuk klasifikasi + unsupervised untuk anomali. Pemahaman taksonomi ini penting untuk memilih algoritma yang tepat untuk masalah tertentu — bukan satu algoritma untuk semua. Tiga Paradigma Machine Learning ML dibagi menjadi tiga paradigma utama — pilihan paradigma menentukan jenis data yang dibutuhkan dan jenis masalah yang bisa diselesaikan.
Data berlabel (X, y) Klasifikasi & regresi Contoh: credit scoring, churn prediction Algoritma: regresi logistik, random forest, XGBoost, neural network Data tanpa label (X saja) Clustering, dim. reduction, anomaly detection Contoh: segmentasi nasabah, fraud anomaly Algoritma: k-means, DBSCAN, autoencoder, PCA Belajar dari reward interaksi Sequential decision making Contoh: algorithmic trading, portfolio rebalancing Algoritma: Q-learning, PPO, AlphaZero Tiga paradigma ini adalah fondasi seluruh machine learning modern. Supervised learning paling umum di keuangan karena masalah keuangan biasanya berlabel: pinjaman gagal/lancar (credit scoring), nasabah churn/tidak, transaksi fraud/bukan. Unsupervised dipakai ketika label tidak tersedia atau mahal — segmentasi nasabah berdasarkan perilaku transaksi, atau deteksi anomali fraud ketika pola baru belum pernah dilihat. Reinforcement learning paling sulit tetapi paling sesuai untuk masalah sequential seperti trading: agen belajar dari trial-error dengan reward PnL. Pilih paradigma berdasarkan ketersediaan label dan struktur masalah — jangan pakai supervised untuk masalah yang membutuhkan sequential decision. Pipeline ML: Data → Inference → Monitoring ML di production bukan satu algoritma — ia adalah pipeline 6 tahap yang harus dijaga kualitasnya.
Tahap Aktivitas Pitfall 1. Data collection ETL, labeling, anonymization Data quality, PDP law compliance 2. Feature engineering Transformasi mentah → fitur Leakage, multicollinearity 3. Model training Pilih algoritma, hyperparameter tuning Overfitting, bias 4. Evaluation Metrik (AUC, F1, KS), backtesting Simpson paradox, metric gaming 5. Deployment Serve via REST/gRPC/batch Latency, versioning 6. Monitoring Drift detection, retraining Data drift, concept drift
Model yang akurat di training bukan jaminan performa di production — drift & edge case adalah penyebab utama kegagalan ML production.
Pipeline 6 tahap ini sering diremehkan oleh non-teknis. Setiap tahap punya pitfall yang bisa menggagalkan produksi ML meski modelnya akurat di training. Data collection: PDP law (UU PDP 27/2022) mewajibkan anonymization; banyak bank harus redesign pipeline untuk compliance. Feature engineering: leakage (memakai fitur yang tidak tersedia saat prediction time) adalah error klasik yang membuat model terlihat hebat di training tetapi gagal di production. Model training: overfitting di training set adalah penyebab #1 model tidak generalisasi. Evaluation: AUC terlihat tinggi tetapi bisa tersembunyi bias pada segmen tertentu (Simpson paradox). Deployment: latency prediksi harus <100ms untuk real-time fraud. Monitoring: data drift (distribusi input berubah) dan concept drift (relasi input-output berubah) — keduanya membutuhkan retraining berkala. Sebagai manajer, pastikan pipeline ML Anda punya MLOps yang mature. HDN-1: Menghitung Gini Coefficient Credit Score dari Nol Skenario: Model credit scoring dinilai via KS (Kolmogorov-Smirnov) statistic. Populasi 1000 nasabah: 800 good (pay), 200 bad (default). Model memisahkan menjadi 2 kelompok prediksi: kelompok A 600 nasabah (550 good, 50 bad); kelompok B 400 nasabah (250 good, 150 bad).
Langkah Perhitungan Nilai 1. CDF good di kelompok A 550/800 0,6875 2. CDF bad di kelompok A 50/200 0,2500 3. KS statistic |0,6875 − 0,2500| 0,4375 4. Interpretasi KS ~0,44 = good (industry benchmark ≥0,30) Acceptable
Kesimpulan
KS ~0,44
Model dapat memisahkan good vs bad dengan jarak signifikan — siap production dengan monitoring.
KS statistic adalah metrik standar industri untuk credit scoring — lebih intuitif daripada AUC. Konsepnya: ukur jarak maksimum antara cumulative distribution function (CDF) good dan bad. Pada contoh, model memisahkan 1000 nasabah menjadi kelompok A (mayoritas good) dan kelompok B (mayoritas bad). KS = 0,44 berarti model mampu memisahkan 44% lebih banyak good di kelompok A dibanding bad — pemisahan yang signifikan. Benchmark industri: KS ≥ 0,30 acceptable, ≥ 0,40 good, ≥ 0,50 excellent. Penting: KS hanya mengukur pemisahan, bukan kalibrasi — model bisa KS tinggi tetapi underestimate probabilitas default. Sebagai manajer risiko, pantau KS secara berkala karena drift akan menurunkan nilai seiring waktu. Bagian 2 · 2/4
Credit Scoring Alternatif
Diskusi kelas: Kredivo menyetujui pinjaman Rp 5 jt dalam 60 detik. Bagaimana mungkin? Data apa yang mereka pakai?
Blok kedua masuk ke aplikasi pertama: credit scoring alternatif. Pertanyaan diskusi Kredivo 60 detik approval terlihat magic tetapi sebenarnya menggabungkan ribuan sinyal. Data tradisional bank: SLIK OJK (riwayat cicilan), slip gaji, NPWP. Kredivo dan FinTech lending pakai data alternatif: riwayat belanja e-commerce (tokopedia, shopee), data HP (aplikasi installed, kontak, lokasi), data pembayaran tagihan (PLN, pulsa), data behavioral (waktu scroll, klik pattern). Algoritma gradient boosting (XGBoost, LightGBM) pada ribuan fitur menghasilkan skor probabilistik dalam milidetik. Trade-off: lebih inklusif (melayani unbanked) tetapi lebih rentan bias (data HP bisa proxy etnis/income). Diskusi etika di blok keempat. Aplikasi 1: Credit Scoring Alternatif FinTech lending memakai data non-tradisional untuk menilai risiko kredit segmen unbanked — kasus Kredivo, AdaKami, Akulaku.
SLIK OJK (riwayat cicilan) Slip gaji, NPWP Tabungan & mutasi rekening Agunan / collateral Riwayat belanja e-commerce Data HP (apps installed, lokasi) Pembayaran tagihan (PLN, pulsa) Behavioral (scroll, klik, typing) Api SLIK OJK + alternative credit bureau Trade-off: lebih inklusif (melayani unbanked) tetapi rentan bias (data HP dapat proxy etnis/income).
Tabel ini menggambarkan perbedaan mendasar antara credit scoring tradisional bank dan alternatif FinTech. Bank tradisional memerlukan SLIK OJK, slip gaji, NPWP — data yang tidak dimiliki segmen unbanked (30-40% populasi dewasa Indonesia). FinTech seperti Kredivo memakai data alternatif: riwayat belanja Shopee/Tokopedia (frecuencia, nilai, kategori), data HP (aplikasi installed sebagai proxy stabilitas, kontak untuk social graph), pembayaran tagihan PLN/pulsa (kepatuhan), behavioral (kecepatan scroll, pattern klik). Algoritma XGBoost/LightGBM menggabungkan ribuan fitur menjadi skor probabilitas default. Trade-off utama: inklusi (melayani lebih banyak orang) vs bias (data HP bisa proxy etnis atau income, menimbulkan disparate impact). Regulasi OJK POJK 11/2022 soal data pribadi FinTech menjadi penting di sini. Aplikasi 2: Robo-Advisor & WealthTech Robo-advisor (Bibit, Bareksa, Tanam-dulu) otomatisasi alokasi portfolio dengan biaya rendah — demokratisasi manajemen investasi.
Fitur Traditional Advisor Robo-Advisor Minimum investasi Rp 100 jt+ Rp 10 rb Fee manajemen 1-2%/tahun 0,25-1%/tahun Rebalancing Manual tahunan Otomatis (algoritma) Tax-loss harvesting Manual Otomatis (di pasar maju) Akses nasabah HNI / affluent Ritel mass-market
Modern Portfolio Theory (Markowitz 1952) + algoritma = robo-advisor. Front-run: Bibit, Bareksa di Indonesia; Betterment, Wealthfront di AS.
Robo-advisor mengotomatisasi manajemen portfolio berbasis Modern Portfolio Theory Markowitz 1952 — pemenang Nobel Ekonomi. Bedanya dengan traditional advisor: minimum investasi turun dari Rp 100 juta+ ke Rp 10 ribu, fee turun dari 1-2% ke 0,25-1%, rebalancing dari manual tahunan ke otomatis algoritmik. Bibit dan Bareksa di Indonesia membuka investasi reksa dana ke segmen mass-market yang sebelumnya tidak terlayani. Tantangan robo-advisor di Indonesia: likuiditas reksa dana (cut-off time, settlement T+2), pendidikan investor, dan fluktuasi NAV. Penting: robo-advisor tidak menghilangkan risiko pasar — investor tetap menanggung downside. Sebagai manajer, perhatikan bahwa robo-advisor mengancak fee traditional advisor dan force mereka ke segmen HNI murni. HDN-2: Net Present Value Biaya Robo-Advisor vs Traditional Skenario: Investasi Rp 100 juta, return bruto 8%/tahun, horizon 10 tahun. Robo-advisor fee 0,5%/tahun. Traditional advisor fee 1,5%/tahun. Asumsi: net return = bruto − fee; compounding tahunan.
Langkah Robo-Advisor Traditional 1. Net return/tahun 8% − 0,5% = 7,5% 8% − 1,5% = 6,5% 2. FV 10 tahun (Rp 100 jt) 100 × 1,075¹⁰ = Rp 206,1 jt 100 × 1,065¹⁰ = Rp 187,7 jt 3. Laba kotor Rp 106,1 jt Rp 87,7 jt 4. Total fee 10 tahun ~Rp 8,5 jt ~Rp 25,6 jt
Selisih FV
~Rp 18,4 jt
1% perbedaan fee compounding 10 tahun = ~18% dari principal. Inilah mengapa fee advisor sangat material jangka panjang.
Hitungan ini sangat penting untuk dipahami investor dan manajer. Perbedaan fee 1% per tahun antara robo-advisor (0,5%) dan traditional (1,5%) terdengar kecil, tetapi compounding 10 tahun menghasilkan selisih Future Value ~Rp 18,4 juta dari principal Rp 100 juta — atau 18% dari modal awal. Ini efek compound interest pada fee yang disebut "tyranny of compounding costs" (John Bogle, founder Vanguard). Untuk horizon 30 tahun (pensiun), perbedaan menjadi 30%+ dari modal. Pelajaran strategis: robo-advisor bukan hanya soal teknologi tetapi soal struktur biaya yang lebih efisien karena tidak ada overhead advisor manusia. Sebagai manajer, pertimbangkan ini saat memilih platform investasi karyawan atau klien. Bagian 3 · 3/4
Fraud Detection & AML
Diskusi kelas: penipuan SMS "Anda menang undian" — bagaimana bank/FinTech mendeteksi transaksi fraud vs legitimate?
Blok ketiga membahas aplikasi fraud detection dan anti-money laundering. Pertanyaan diskusi: penipunan undian berhadiah via SMS masih marak di Indonesia 2024. Bagaimana bank dan FinTech mendeteksi transaksi fraud? Pendekatan tradisional: rules-based (transaksi >Rp 10 juta ke nomor baru = flag). Pendekatan ML: classification (supervised learning dari label fraud historis) + anomaly detection (unsupervised untuk pola baru). BCA dilaporkan memakai kombinasi: rules untuk quick decision + ML untuk scoring kompleks. Tantangan: false positive (transaksi legitimate diblokir → CX jelek) vs false negative (fraud lolos → kerugian). Sebagai manajer, pahami trade-off ini. Aplikasi 3: Fraud Detection & AML Fraud detection modern mengkombinasikan rules-based + ML classification + anomaly detection untuk menangkap pola fraud yang dikenal maupun baru.
Velocitas transaksi (N transaksi/jam) Lokasi & deviasi dari pattern historis Device fingerprint & IP Cross-merchant patterns Behavioral biometrics (typing, swipe) Rules-based : thresholds (ex. >Rp 5 jt, jam 2 AM)Supervised : klasifikasi fraud (RF, XGBoost)Unsupervised : anomaly detection (autoencoder, isolation forest)Graph ML : deteksi jaringan money launderingOutput: skor 0-100 → approve/challenge/block Trade-off: false positive (CX jelek) vs false negative (kerugian). Industry target: fraud rate <0,1% transaksi.
Fraud detection adalah aplikasi ML yang paling kompleks karena adversarial: fraudster terus berevolusi. Sinyal yang dipakai termasuk velocitas transaksi (5 transaksi <1 jam dari device baru = suspicious), lokasi (transaksi di luar negeri tidak pernah sebelumnya), device fingerprint (apakah device dikenal?), behavioral biometrics (cara typing, swipe). Algoritma hybrid: rules-based untuk quick decision, supervised untuk pola dikenal, unsupervised untuk pola baru, graph ML untuk money laundering networks. Output skor 0-100 dengan action tiers: approve (<30), challenge (30-70, OTP verification), block (>70). Trade-off utama: false positive mengganggu nasabah (kartu diblokir saat legitimate), false negative menimbulkan kerugian. Industry target fraud rate <0,1% transaksi — angka yang sulit dipertahankan tanpa ML. Studi Kasus: Deteksi Mule Account & Scam SMS Indonesia Kasus 2022-2023: penipuan SMS "Customer Service Bank" menipu Rp triliunan dari ribuan korban via mule account — bagaimana graph ML mendeteksi?
Tahap Modus Deteksi ML 1. Social engineering Penipun pura-pura CS bank, minta OTP Deteksi voice pattern, SMS anomaly 2. Transfer ke mule Korban transfer ke "rekening tujuan" Account graph: node baru, edge pattern 3. Mule cascade Uang berpindah cepat antar >5 rekening Velocitas + graph pattern (cascade) 4. Cash-out Withdraw ATM / konversi kripto AML flag (cash structuring, kripto onramp)
Pelajaran: fraud modern = jaringan, bukan transaksi tunggal. Graph ML (node = account, edge = transfer) adalah alat untuk mendeteksi pola cascade.
Kasus mule account 2022-2023 di Indonesia adalah pelajaran penting tentang kompleksitas fraud modern. Modus: penipun pura-pura CS bank via SMS/telepon, korpan dengan social engineering menyerahkan OTP, lalu uang ditransfer ke rekening penampung (mule account) yang dibeli dari orang awam Rp 500 ribu-1 juta. Uang kemudian berpindah cepat antar banyak rekening untuk mengaburkan jejak, akhirnya cash-out via ATM atau konversi ke kripto. Deteksi tradisional berbasis transaksi tunggal gagal karena setiap transaksi terlihat legitimate. Graph ML memodelkan rekening sebagai node dan transfer sebagai edge — pola cascade (satu uang berpindah ke 5+ rekening dalam 1 jam) menjadi sinyal kuat. BCA, Mandiri, BNI sekarang investasi graph ML untuk AML. Pelajaran strategis: fraud adalah jaringan, bukan transaksi tunggal. Bagian 4 · 4/4
Etika, Bias & Regulasi AI
Diskusi kelas: jika model scoring menolak pinjaman Anda — apakah Anda berhak tahu algoritmik alasan? Apa risiko transparansi?
Blok penutup ini membahas etika dan regulasi AI yang sering diabaikan dalam diskusi teknis. Pertanyaan diskusi hak tahu alasan penolakan adalah inti Right to Explanation GDPR Eropa dan diadopsi POJK OJK tentang keputusan otomatis. Trade-off: transparansi (eksplainable) membantu fairness dan kepercayaan, tetapi membuka celah gaming (calon peminjam dapat reverse-engineer model untuk lolos). Regulasi OJK POJK 11/2022 soal data pribadi dan kerangka AI governance internasional (EU AI Act 2024) menjadi rujukan. Diskusi bias algoritmik — model dapat diskriminatif jika data training bias historis (contoh: data property red-lining AS menghasilkan model rasis meski tanpa fitur ras). Bias Algoritmik & Explainable AI Model ML dapat memperkuat bias historis — Explainable AI (XAI) dan audit fairness adalah kerangka mitigasi.
Historical bias : data training mencerminkan diskriminasi masa laluRepresentation bias : under-representation kelompok tertentuMeasurement bias : proxy fitur tidak akuratAggregation bias : model tunggal untuk populasi heterogenSHAP / LIME : per-fitur kontribusi ke prediksiCounterfactual fairness : ubah fitur sensitif → hasil sama?Disparate impact ratio : kelompok A vs B (rule 4/5)Human-in-the-loop : selalu ada reviewer untuk high-stakesEU AI Act (2024) mengklasifikasikan credit scoring sebagai high-risk AI — mewajibkan audit fairness dan dokumentasi.
Bias algoritmik adalah isu etika dan legal yang serius di keuangan. Empat sumber bias utama: historical (data training mengandung diskriminasi masa lalu — contoh red-lining di AS membuat model property rasis), representation (kelompok minoritas under-represented dalam data), measurement (fitur proxy tidak akurat — kode pos sebagai proxy etnis), aggregation (satu model untuk populasi dengan perilaku berbeda). Mitigasi: SHAP dan LIME adalah alat Explainable AI yang mengurai kontribusi setiap fitur ke prediksi — wajib untuk credit scoring OJK. Counterfactual fairness: jika kita ubah fitur sensitif (gender, etnis) apakah prediksi tetap sama? Disparate impact ratio rule 4/5: jika kelompok A disetujui 80% dari kelompok B, ada indikasi bias. EU AI Act 2024 mengklasifikasikan credit scoring sebagai high-risk — audit fairness wajib. Sebagai manajer, investasi XAI bukan biaya tetapi asuransi legal. Regulasi AI Keuangan: OJK & Internasional Kerangka regulasi AI keuangan berkembang cepat — OJK Indonesia, EU AI Act, dan US NIST AI Framework menjadi rujukan utama.
Regulasi Cakupan Issuing POJK 11/2022 Data pribadi sektor jasa keuangan OJK POJK 11/2023 (Perbankan) Implementasi Big Data Analytics untuk bank OJK EU AI Act (2024) Risk-based regulation; credit scoring = high-risk EU Parliament NIST AI RMF (2023) Voluntary risk management framework US NIST UU 27/2022 PDP Perlindungan Data Pribadi Indonesia DPR RI
Tiga prinsip universal: (1) Fairness · (2) Transparency · (3) Accountability .
Lima regulasi ini adalah kerangka kepatuhan AI keuangan modern. POJK 11/2022 mengatur data pribadi sektor jasa keuangan — consent, anonymization, retention. POJK 11/2023 tentang perbankan khususnya mengatur implementasi Big Data Analytics untuk bank — tata kelola, validasi model, manajemen risiko. EU AI Act 2024 menjadi benchmark global dengan klasifikasi risk-based — credit scoring masuk high-risk dengan kewajiban audit dan dokumentasi. NIST AI RMF AS adalah voluntary framework untuk risk management. UU 27/2022 PDP Indonesia adalah kerangka legal nasional untuk perlindungan data pribadi dengan sanksi administratif. Tiga prinsip universal: fairness (no discrimination), transparency (eksplainable), accountability (human responsible). Sebagai manajer, pastikan kepatuhan AI organisasi Anda mencakup kelima regulasi ini. Ringkasan Kunci Pertemuan 3 Taksonomi ML
Supervised · Unsupervised · Reinforcement — pilih berdasarkan label & struktur masalah
Tiga Aplikasi
Credit scoring · Robo-advisor · Fraud detection — semua ML-driven
Etika & Regulasi
Bias audit + XAI (SHAP/LIME) + Right to Explanation
Pipeline ML production = 6 tahap (data → monitoring); drift & bias adalah musuh utama.
Persiapan P4: baca ringkasan cloud computing (IaaS/PaaS/SaaS) dan open banking API. Diskusi: apa beda on-premise vs cloud untuk bank?
Empat pesan kunci untuk dibawa pulang. Pertama, taksonomi ML tiga paradigma — pilih berdasarkan ketersediaan label dan struktur masalah. Kedua, tiga aplikasi utama di keuangan: credit scoring alternatif (Kredivo), robo-advisor (Bibit), fraud detection (BCA) — semuanya ML-driven tetapi dengan metrik dan trade-off berbeda. Ketiga, etika dan regulasi — bias audit, Explainable AI, Right to Explanation adalah wajib. Keempat, pipeline ML production 6 tahap dengan drift dan bias sebagai musuh utama. Pertemuan depan kita akan beralih ke cloud computing dan open API — infrastruktur yang memungkinkan ML dan FinTech modern bekerja. Jangan lupa kuis 10 menit di awal. 📖 Baca juga: Npv Vs Irr — penjelasan mendalam dan contoh numerik.