Relaksasi Kredit BTN & Peran AI di Perbankan Krisis

Relaksasi Kredit BTN & Peran AI di Era Krisis

Banjir dan tanah longsor di Sumatra akhir tahun ini membuat 22.879 nasabah BTN terdampak, dengan total baki debet hampir Rp1,93 triliun. Angka sebesar itu bukan cuma soal portofolio bank, tapi soal hidup puluhan ribu keluarga yang rumah dan penghasilannya terganggu dalam hitungan hari.

Di sisi lain, keputusan seperti relaksasi kredit BTN tidak bisa diambil pelan-pelan. Respons telat beberapa minggu saja bisa bikin debitur telanjur macet, stres, dan kehilangan akses keuangan. Di sinilah seharusnya AI di perbankan main peran: mempercepat analisis, memetakan risiko secara real-time, dan menyalurkan bantuan finansial dengan lebih tepat sasaran.

Tulisan ini membahas dua hal sekaligus: apa yang dilakukan BTN melalui kebijakan restrukturisasi untuk korban bencana di Sumatra, dan bagaimana AI dalam industri perbankan Indonesia bisa membuat kebijakan seperti ini jauh lebih cepat, adil, dan inklusif ke depan.

---

Apa yang Sebenarnya Dilakukan BTN untuk 22.879 Nasabah?

BTN tidak hanya berbagi sembako dan bantuan sosial senilai Rp8 miliar. Yang lebih krusial secara jangka panjang adalah kebijakan relaksasi kredit konsumer melalui restrukturisasi yang diatur, terukur, dan berbasis tingkat dampak bencana.

Garis besarnya:

• Total nasabah terdampak: 22.879 nasabah kredit konsumer
• Wilayah: Banda Aceh, Medan, Padang, Pematang Siantar
• Total baki debet: sekitar Rp1,93 triliun
• Skema relaksasi berdasarkan kategori dampak:
  • Ringan: masa tenggang angsuran sampai 6 bulan
  • Sedang: masa tenggang sampai 9 bulan
  • Berat: masa tenggang sampai 12 bulan
• Masa berlaku kebijakan restrukturisasi: hingga 3 tahun dari 10/12/2025 dan bisa diperpanjang

Secara regulasi, langkah ini mengacu pada POJK 19/2022 tentang perlakuan khusus bagi lembaga jasa keuangan di daerah terdampak bencana. Prosesnya cukup klasik:

1. Debitur mengajukan permohonan restrukturisasi ke kantor cabang BTN.
2. Melampirkan identitas dan surat keterangan dari pemda bahwa debitur dan/atau agunan terdampak langsung.
3. Bank melakukan verifikasi dan asesmen lapangan.
4. Bank menetapkan skema restrukturisasi sesuai kategori dampak.

Dari sisi humanisme, ini langkah yang sangat tepat. Tidak adil kalau nasabah yang rumahnya rusak berat dipaksa tetap bayar cicilan penuh bulan depan. Tapi kalau kita jujur, dengan skala puluhan ribu debitur dan kondisi di lapangan yang berubah setiap hari, pendekatan manual seperti ini punya batas.

Dan di titik itulah AI dan data terintegrasi seharusnya masuk.

---

Masalah Besar: Skala Krisis vs Sistem Tradisional

Relaksasi kredit untuk 22.879 nasabah adalah ujian nyata seberapa tangguh sistem perbankan Indonesia di masa krisis. Tantangannya bukan cuma soal empati, tetapi juga kecepatan, akurasi, dan konsistensi keputusan kredit.

Beberapa masalah yang hampir pasti muncul jika semua proses dikerjakan manual:

1. Waktu verifikasi yang lama
   Tim lapangan dan kantor cabang harus mengumpulkan data satu per satu, cek dokumen, minta surat keterangan, lalu input ke sistem. Dalam kondisi bencana, akses jalan dan komunikasi sering terputus.

2. Risiko ketidaktepatan kategori dampak
   Menentukan nasabah termasuk kategori ringan, sedang, atau berat tidak selalu jelas. Tanpa data geospasial dan historis, keputusan sangat tergantung subjektivitas petugas.

3. Tekanan operasional ke cabang
   Cabang di daerah bencana harus mengurus klaim, operasional harian, layanan nasabah panik, sekaligus koordinasi dengan kantor pusat dan OJK.

4. Potensi ketidakadilan
   Nasabah yang aktif melapor dan punya akses ke kantor cabang cepat mungkin lebih dulu diproses daripada masyarakat di daerah terpencil yang bahkan kesulitan keluar rumah.

Saat krisis berskala besar, sistem tradisional manual tidak cukup lagi. Dibutuhkan sistem kredit berbasis AI dan data real-time yang bisa bekerja paralel dengan kebijakan reguler bank.

---

Di Mana AI Bisa Masuk? 5 Area Kunci di Kasus BTN

Jawaban singkatnya: AI bisa membuat proses seperti yang dilakukan BTN lebih cepat, lebih akurat, dan lebih inklusif. Bukan dengan menggantikan empati manusia, tetapi dengan memperkuat kemampuan bank mengambil keputusan di bawah tekanan.

1. Pemetaan Nasabah Terdampak Secara Otomatis

Alih-alih menunggu debitur datang ke cabang, bank bisa:

• Mengintegrasikan data lokasi agunan (GIS/koordinat rumah, kecamatan, kelurahan) dengan peta bencana dari BNPB, BMKG, atau lembaga lain.
• Menggunakan model AI untuk memetakan radius dampak banjir atau longsor dan mengidentifikasi nasabah yang kemungkinan besar terdampak.

Hasilnya:

• Sistem otomatis mengeluarkan daftar kandidat nasabah terdampak dalam hitungan jam, bukan hari.
• Bank bisa proaktif menghubungi nasabah via SMS, WhatsApp, atau aplikasi mobile banking untuk menawarkan opsi relaksasi.

2. Penilaian Tingkat Dampak Berbasis Data

Menentukan nasabah termasuk kategori ringan, sedang, atau berat bisa dibantu AI dengan mempertimbangkan:

• Kedalaman banjir dan durasi (berbasis data sensor, satelit, laporan crowd-sourcing)
• Tingkat kerusakan bangunan di area sekitar (dari foto satelit atau laporan warga)
• Sektor pekerjaan debitur dan tingkat gangguan ekonomi lokal
• Riwayat pembayaran debitur sebelumnya

Model AI bisa memberi skor dampak yang kemudian divalidasi petugas. Bank tetap memegang kendali, tapi analisis kasarnya sudah disiapkan mesin.

3. Simulasi Skema Restrukturisasi Paling Sehat

AI di perbankan juga bisa mensimulasikan berbagai skenario restrukturisasi:

• Berapa lama masa tenggang ideal agar nasabah bisa pulih tanpa membuat NPL bank melonjak?
• Apa dampak ke arus kas bank kalau 30%, 50%, atau 80% portofolio di suatu daerah direlaksasi 6–12 bulan?
• Bagaimana proyeksi risiko default setelah masa relaksasi berakhir?

Dari simulasi ini, manajemen bisa mengeluarkan kebijakan seperti BTN (6, 9, 12 bulan) dengan basis perhitungan yang jauh lebih kuat, bukan hanya rule-of-thumb.

4. Otomatisasi Proses & Dokumen Digital

Proses permohonan nasabah bisa disederhanakan dengan:

• Form digital di aplikasi mobile atau website
• Upload foto KTP, bukti kerusakan, dan dokumen lain
• Sistem OCR dan AI memvalidasi dokumen, mencocokkan dengan data core banking

Hasilnya:

• Nasabah di daerah bencana tidak harus antre lama di cabang yang mungkin juga terdampak.
• Petugas cabang fokus pada kasus-kasus kompleks, bukan input data berulang.

5. Inklusi Keuangan di Tengah Bencana

AI juga memperluas inklusi keuangan dengan memberi peluang kepada:

• Pekerja informal yang penghasilannya turun drastis, tapi sebelumnya punya riwayat transaksi digital baik.
• UMKM yang terdampak bencana namun belum punya jaminan kuat.

Dengan alternative credit scoring (data transaksi e-wallet, e-commerce, utilitas, dan lain-lain), bank bisa:

• Mengidentifikasi debitur rentan yang layak dibantu.
• Menawarkan produk tambahan pasca bencana: top-up modal kerja, KUR, atau fasilitas bridging lainnya.

Ini level inklusi yang sulit dicapai kalau bank hanya mengandalkan data tradisional seperti slip gaji dan agunan fisik.

---

AI dalam Perbankan Indonesia: Dari Wacana ke Implementasi Serius

Seri "AI dalam Industri Perbankan Indonesia: Era Digital Banking" sering bicara soal chatbot, personalisasi penawaran, sampai deteksi fraud. Kasus BTN di Sumatra ini menunjukkan satu hal penting: AI bukan cuma untuk marketing atau efisiensi, tapi juga untuk ketahanan sistem keuangan di masa krisis.

Beberapa langkah konkret yang menurut saya realistis untuk bank-bank di Indonesia:

1. Bangun Data Foundation Dulu, Bukan Langsung Beli AI Mahal

AI hanya sebagus data yang dikonsumsinya. Bank perlu:

• Merapikan data nasabah: alamat, koordinat, sektor kerja, riwayat pembayaran.
• Menghubungkan sistem internal (core banking, CRM, koleksi, mobile banking) agar tidak silo.
• Menyiapkan pipeline integrasi dengan data eksternal: cuaca, bencana, data ekonomi daerah.

Tanpa fondasi ini, proyek AI hanya jadi demo cantik di presentasi.

2. Fokus ke Use Case yang Jelas dan Terukur

Untuk konteks bencana dan relaksasi kredit, beberapa use case awal yang paling masuk akal:

• Auto-flag nasabah terdampak bencana berdasarkan lokasi
• Skoring dampak bencana untuk mendukung keputusan restrukturisasi
• Prioritization engine: mana nasabah yang harus dihubungi duluan
• Simulasi dampak portofolio untuk komite risiko

Setiap use case harus punya indikator keberhasilan yang jelas: misalnya waktu proses turun 40%, akurasi kategorisasi naik, atau NPL pasca bencana terkendali.

3. Jaga Keseimbangan Antara Empati dan Risiko

AI bukan alasan untuk memperlakukan nasabah seperti angka di dashboard. Di lapangan, justru kombinasi AI + judgment manusia yang paling kuat:

• AI memberi rekomendasi kategori dan skema.
• Petugas lapangan dan analis kredit memvalidasi, terutama untuk kasus abu-abu.
• Nasabah punya ruang untuk keberatan dan mengajukan review.

Di Indonesia, sentuhan manusia masih sangat penting. AI sebaiknya membantu mempercepat 70–80% kasus standar, sementara 20–30% kasus khusus tetap dipegang manusia.

---

Apa Artinya untuk Nasabah dan Pelaku Industri?

Buat nasabah, kasus BTN ini menunjukkan bahwa bank bisa dan seharusnya hadir ketika hidup sedang paling berat. Relaksasi kredit bukan hadiah, tapi bentuk penyesuaian agar hubungan bank–nasabah tetap sehat dalam jangka panjang.

Buat pelaku industri perbankan, pesan besarnya lebih tajam:

Krisis keuangan di masa bencana bukan hanya soal likuiditas, tapi juga soal kecepatan pengambilan keputusan yang adil. Di sinilah AI di perbankan benar-benar teruji.

Ke depan, beberapa hal yang patut didorong:

• Bank mulai mengkomunikasikan kebijakan darurat berbasis data dalam rencana kontinjensi.
• OJK dan regulator membuka ruang eksperimen yang terukur untuk model risiko berbasis AI di konteks bencana.
• Kolaborasi dengan pemerintah daerah dan lembaga bencana untuk integrasi data real-time.

BTN sudah mengambil langkah penting dari sisi kebijakan restrukturisasi dan bantuan sosial. Level berikutnya adalah bagaimana kebijakan seperti ini bisa dioperasikan dengan mesin yang lebih cerdas, sehingga di bencana berikutnya, ribuan nasabah tidak perlu menunggu terlalu lama hanya untuk mendapatkan kepastian.

Kalau Anda bagian dari industri perbankan, pertanyaannya sederhana:

Kalau bencana besar terjadi lagi tahun depan, apakah sistem kredit di bank Anda sudah cukup pintar untuk merespons dalam hitungan jam, bukan minggu?

---