Pengawasan Perbankan dan Teknologi Perangkat Lunak

 

Oleh: Achmad Deni Daruri, President Director Center for Banking Crisis

 

 

Teknologi perangkat lunak memainkan peran yang sangat vital bagi pengawasan sektor keuangan. Pencurian aset Bitcoin di Jepang memperlihatkan bahwa sistem di luar bank sentral sangat rapuh pengawasannya. Teknologi perangkat lunak membantu pengawasan perbankan pada level bank dan juga sistem perbankan secara keseluruhan. Teknologi ini mampu membuat mesin yang mampu untuk berpikir sendiri tanpa harus dilakukan pembuatan program yang berulang kali. Di pasar modal, keputusan investasi dalam jumlah besar telah dilakukan oleh mesin cerdas. Mesin cerdas juga telah memainkan peran yang signifikan dalam operasional perbankan yang memiliki aset di atas satu miliar dollar Amerika.

Mesin merupakan salah satu cabang dari kecerdasan buatan yang membahas mengenai pembangunan sistem yang didapat berdasarkan pada pemelajaran data, atau sebuah studi yang mempelajari cara untuk memprogram sebuah komputer untuk belajar. Inti dari mesin cerdas adalah representasi dan generalisasi. Pada tahun 1959, Arthur Samuel mendefinisikan bahwa mesin cerdas adalah bidang studi yang memberikan kemampuan untuk belajar tanpa diprogram secara eksplisit. Kemampuan belajar yang menjadi dominan ditentukan oleh kemampuan perangkat lunak atau alogaritmanya. Implementasi kemampuan belajar dapat dicapai dengan berbagai teknik, ada yang menggunakan aturan, ada yang menggunakan statistika, ada yang menggunakan pendekatan fisiologi yaitu sistem saraf manusia atau disebut dengan Artificial Neural Network atau jaringan saraf tiruan.

Pemelajaran mesin dapat berfungsi untuk beradaptasi dengan suatu keadaan yang baru, serta untuk mendeteksi dan memperkirakan suatu pola. Ironisnya krisis keuangan yang terjadi di Amerika Serikat membuktikan bahwa mesin cerdas lebih tereksploitasi untuk mencari keuntungan yang sepertinya mengabaikan pengelolaan risiko. Bukan hanya itu, teknologi perangkat lunak juga bias terhadap pemain di sektor keuangan. Tampaknya pengawas sektor keuangan sangat tertinggal dalam mesin cerdas ini. Hal ini tidak dapat dipungkiri karena regulator tidak terlalu berambisi untuk melakukan investasi khusus terhadap mesin cerdas ini. Selain itu, bidang ini relatif masih sangat baru.

Hingga tahun 1980, ketertarikan terhadap kecerdasan buatan sebagai bidang penelitian mulai bangkit kembali. Salah satu yang mendukung hal ini adalah hasil kerja Yarowsky  pada tahun 1995, ia melakukan percobaan menggunakan mesin cerdas dan mendapatkan hasil diatas 96 persen untuk ke akuratan dari percobaannya. Mulai saat itu maka ketertarikan kepada mesin ini terus meningkat. Tampaknya dua puluh tahun kemudian, mesin cerdas ini masih belum terlalu diminati oleh regulator sektor keuangan. Selain itu ada kecenderungan regulator sektor keuangan lebih memilih sistem algoritma yang tertentu seperti jenis untuk mempelajari dan mencari pola-pola menarik pada masukan yang diberikan.

Meskipun tidak disediakan keluaran yang tepat secara eksplisit. Salah satu algoritme jenis ini (algoritme tipe satu) yang paling umum digunakan adalah clustering/pengelompokan, misalnya yang dikembangkan oleh bank sentral di Amerika Serikat dan Uni Eropa. Padahal ada banyak model algoritma yang juga memiliki keunggulan yang khas. Salah satu contoh yang paling sederhana adalah terdapat sekumpulan contoh masukan berupa umur sebuah bank dan contoh keluaran yang berupa kinerja keuangan bank tersebut (baca algoritme tipe dua). Algoritme pintar melalui contoh mengamati contoh-contoh tersebut dan kemudian mempelajari sebuah fungsi yang pada akhirnya dapat "memperkirakan" kinerja perbankan berdasarkan masukan umur bank-bank tersebut.

Idealnya, algoritme ini juga harus membuat sebuah rangkaian kesatuan antara dua tipe algoritme di atas untuk dapat menutupi kelemahan pada masing-masing algoritme sehingga pengawasan sektor keuangan menjadi semakin mumpuni. Misalnya sebuah sistem yang dapat menebak kinerja bank berdasarkan profil presiden direktur bank tersebut.  Sistem tersebut membutuhkan beberapa contoh, misalnya yang didapatkan dengan mengambil data presiden direktur tersebut dan menanyakan kinerja banknya (algoritme tipe dua). Akan tetapi, pada kenyataannya beberapa bank sering kali berbohong tentang kinerja bank mereka sehingga menimbulkan noise pada data.

Oleh karena itu, digunakan juga algoritme cerdas tak terarah agar dapat saling menutupi kelemahan masing-masing, yaitu noise pada data dan ketiadaan contoh masukan-keluaran (baca: algoritme tipe tiga). Sementara itu bank sentral Jepang lebih mengembangkan algoritme tipe empat dimana algoritme ini mengajarkan bagaimana cara bertindak untuk menghadapi suatu masalah, yang suatu tindakan itu mempunyai dampak, dimana sebuah algoritme cerdas yang diterapkan pada sistem pengawasan yang cerdas agar ia dapat menyesuaikan dengan kondisi dilingkungannya, hal ini dicapai dengan cara memaksimalkan nilai dari hadiah ‘reward’ yang dapat dicapai. Suatu hadiah didefinisikan sebuah tanggapan balik ‘feedback’ dari tindakan agen bahwa sesuatu baik terjadi.

Bank sentral Jepang dengan bekerja sama dengan pihak swasta Jepang juga tengah mengembangkan bidang pengawasan mesin otonom yang bertujuan untuk mempelajari mekanisme pengembangan, arsiterktur, dan batasan yang memungkinkan dibuatnya metode pembelajaran yang berlaku seumur hidup, serta bersifat terbuka terhadap kemampuan dan pengetahuan untuk dipasangkan kepada mesin. Jika hal ini dapat dilakukan maka bank sentral Jepang juga akan secara efektif mampu mengawasi mata uang kripto yang hingga kini pengawasannya sangat lemah.

Sementara itu teknologi perangkat lunak yang berkaitan dengan pengawasan perbankan memiliki lebih banyak variasinya jika menilik perkembangan penelitian di universitas-universitas di Amerika Serikat, Jepang dan Uni Eropa. Salah satu yang paling memiliki optimisme ke depan adalah pendekatan model statistik berbasis mesin cerdas. Bayesian model diciptakan karena adanya penelitian “Alasan Probabilistik” dalam Kecerdasan Sistem oleh J Pearl  pada tahun 1988 yang menuntun pada diterimanya probabilitas dan teori keputusan dalam kecerdasan buatan. 

Bayesian model secara formal diciptakan untuk memungkinkan representasi yang efisien, dan penalaran yang teliti dengan, pengetahuan pasti.  Bayesian model memungkinkan untuk dapat belajar dari pengalaman serta menggabungkan kecerdasan buatan yang terbaik dan jaringan saraf.  Bayesian model merupakan keluarga dari model graf probabilistik.  Struktur graf ini digunakan untuk merepresentasikan pengetahuan dari suatu domain yang belum pasti. Ini dari sisi kesiapan teknologinya yang terlihat semakin mumpuni, namun semuanya tergantung kepada adanya kemauan politik!

BERITA TERKAIT

Pembangunan Infrastruktur Demi Tingkatkan Kualitas Hidup Masyarakat Papua

  Oleh : Damier Kobogau, Mahasiswa Papua tinggal di Surabaya   Pemerintah terus berkomitmen membangun Papua melalui berbagai pembangunan infrastruktur…

Pembangunan Fasilitas Pendukung Salah Satu Kunci Kesuksesan IKN

  Oleh : Rivka Mayangsari, Peneliti di Lembaga Studi dan Informasi Strategis Indonesia   Pembangunan IKN merupakan sebuah keputusan sejarah…

Presiden Terpilih Perlu Bebaskan Ekonomi dari Jebakan Pertumbuhan 5% dengan Energi Nuklir Bersih

    Oleh: Dr. Kurtubi, Ketua Kaukus Nuklir Parlemen 2014 – 2019, Alumnus UI Bencana Alam yang banyak terjadi didunia…

BERITA LAINNYA DI Opini

Pembangunan Infrastruktur Demi Tingkatkan Kualitas Hidup Masyarakat Papua

  Oleh : Damier Kobogau, Mahasiswa Papua tinggal di Surabaya   Pemerintah terus berkomitmen membangun Papua melalui berbagai pembangunan infrastruktur…

Pembangunan Fasilitas Pendukung Salah Satu Kunci Kesuksesan IKN

  Oleh : Rivka Mayangsari, Peneliti di Lembaga Studi dan Informasi Strategis Indonesia   Pembangunan IKN merupakan sebuah keputusan sejarah…

Presiden Terpilih Perlu Bebaskan Ekonomi dari Jebakan Pertumbuhan 5% dengan Energi Nuklir Bersih

    Oleh: Dr. Kurtubi, Ketua Kaukus Nuklir Parlemen 2014 – 2019, Alumnus UI Bencana Alam yang banyak terjadi didunia…