Dynamic Forecasting dalam IBSM: Simulasi Skenario Makro dan Stress Testing untuk Keputusan Strategis
Di artikel sebelumnya, kita melihat contoh stress test makroekonomi: GDP melambat ke 3%, suku bunga naik 200 basis poin, NPL meningkat 2%, dan rupiah melemah 15%. Dalam skenario itu, dampaknya menjalar ke seluruh neraca secara simultan, dari permodalan hingga likuiditas dan profitabilitas.
Pertanyaannya sekarang adalah bagaimana skenario semacam ini bisa dijalankan, bukan sebagai latihan tahunan untuk keperluan regulator, melainkan sebagai simulasi yang dapat dijalankan kapan saja, secara otomatis, sebagai bagian dari pengambilan keputusan harian.
Inilah yang menjadi inti dari dynamic forecasting dalam IBSM.
Dari Forecasting Statis ke Forecasting Dinamis
Seperti dibahas di artikel ketiga, cash flow engine pada dasarnya hanya menghasilkan proyeksi statis, yaitu gambaran neraca berdasarkan portofolio yang ada hari ini tanpa mempertimbangkan dinamika bisnis ke depan. Forecasting statis ini berguna, tetapi terbatas. Ia tidak menjawab pertanyaan yang sesungguhnya penting bagi manajemen: apa yang akan terjadi pada neraca bank dalam enam bulan, satu tahun, atau tiga tahun ke depan, dengan mempertimbangkan pertumbuhan bisnis, perubahan perilaku nasabah, dan kondisi makroekonomi yang terus berubah?
Dynamic forecasting menjawab pertanyaan ini dengan menambahkan dua elemen ke atas cash flow engine: pemodelan perilaku nasabah dan integrasi faktor risiko eksternal melalui Risk Factor Manager.
Memodelkan Perilaku Nasabah
Salah satu kelemahan terbesar dari forecasting tradisional adalah asumsi bahwa nasabah berperilaku statis. Padahal kenyataannya, perilaku nasabah berubah mengikuti kondisi pasar, dan perubahan ini berdampak langsung pada struktur neraca bank.
CASA Modeling. Saldo Current Account dan Savings Account (CASA) tidak bergerak secara acak. Pola penarikan dan penempatan dana nasabah dapat dimodelkan berdasarkan data historis, kondisi suku bunga, dan musim tertentu. Model ini membantu bank memproyeksikan stabilitas pendanaan murah yang menjadi tulang punggung profitabilitas bank.
Loan Prepayment. Nasabah sering melunasi kredit lebih cepat dari jadwal, terutama ketika suku bunga turun dan mereka memiliki opsi refinancing yang lebih murah. Tanpa memodelkan perilaku ini, proyeksi cash flow bank akan meleset signifikan dari kenyataan, terutama untuk portofolio kredit jangka panjang seperti KPR.
Kedua model perilaku ini menjadi input bagi cash flow engine, menghasilkan proyeksi yang jauh lebih realistis dibandingkan asumsi kontraktual semata.
Risk Factor Manager: Mengintegrasikan Dunia Luar
Elemen kedua adalah Risk Factor Manager, yang mengintegrasikan variabel makroekonomi ke dalam satu kerangka yang sama. Variabel-variabel ini meliputi suku bunga, nilai tukar, pertumbuhan GDP, tingkat pengangguran, dan harga komoditas seperti minyak.
Yang membedakan pendekatan ini dari analisis makroekonomi konvensional adalah bagaimana variabel-variabel tersebut terhubung langsung dengan cash flow engine dan model perilaku nasabah. Ketika asumsi tingkat pengangguran berubah, dampaknya tidak berhenti di angka itu sendiri. Tingkat pengangguran yang meningkat dapat memengaruhi probability of default (PD) pada portofolio kredit konsumer, yang kemudian memengaruhi ECL, RWA, dan pada akhirnya kecukupan modal bank, semuanya dihitung secara otomatis dari satu skenario yang sama.
Simulasi Konkret: Bagaimana Satu Skenario Menjalar ke Seluruh Neraca
Mari kita lihat kembali skenario yang dibahas di artikel sebelumnya, kali ini dari sisi mekanismenya. Ketika seorang risk officer memasukkan empat parameter ke dalam Risk Factor Manager, yaitu pertumbuhan GDP 3%, kenaikan suku bunga 200 basis poin, kenaikan NPL 2%, dan pelemahan rupiah 15%, sistem secara otomatis menjalankan rangkaian kalkulasi berikut tanpa intervensi manual lebih lanjut:
Cash flow engine memperbarui proyeksi arus kas berdasarkan suku bunga baru. Model perilaku nasabah menyesuaikan asumsi prepayment dan pergerakan CASA berdasarkan kondisi suku bunga yang baru. PD modeling memperbarui probabilitas default berdasarkan kenaikan NPL dan perlambatan GDP. Hasil dari ketiga proses ini kemudian mengalir secara bersamaan ke kalkulasi RWA, ECL, LCR, dan NII.
Hasil akhirnya konsisten dengan yang dibahas di artikel sebelumnya: CET1 melemah, LCR turun, ROE tertekan, ECL meningkat, dan RWA naik, semuanya terlihat dalam satu siklus kalkulasi, bukan empat laporan terpisah yang harus direkonsiliasi secara manual setelahnya.
Inilah yang dimaksud dengan pertanyaan retoris yang sering diajukan dalam diskusi industri: bagaimana jika simulasi semacam ini bisa dijalankan secara otomatis, kapan saja dibutuhkan, bukan hanya sebagai latihan tahunan?
Peran AI/ML dalam Pemodelan yang Lebih Canggih
Pemodelan perilaku nasabah dan PD modeling menjadi semakin akurat ketika diperkuat dengan kapabilitas AI/ML. Pola perilaku nasabah yang kompleks, yang sulit ditangkap oleh model statistik tradisional, dapat dipelajari secara lebih baik melalui pendekatan machine learning, terutama untuk portofolio dengan volume transaksi besar dan beragam.
Kapabilitas ini juga membuka jalan bagi bank untuk bereksperimen dalam lingkungan sandbox, sebuah ruang aman untuk menguji model dan skenario baru sebelum diterapkan dalam pelaporan resmi, sambil tetap mempertahankan tata kelola dan transparansi yang sejalan dengan prinsip BCBS 239 mengenai agregasi data risiko.
Dari Latihan Regulasi Menuju Alat Pengambilan Keputusan Harian
Perbedaan paling mendasar antara forecasting tradisional dan dynamic forecasting dalam IBSM terletak pada frekuensi dan kecepatan penggunaannya. Stress test yang sebelumnya hanya dijalankan sebagai kewajiban regulatori tahunan kini dapat menjadi alat yang digunakan ALCO secara rutin untuk mendukung keputusan strategis, mulai dari penetapan strategi pendanaan, alokasi modal, hingga respons cepat terhadap perubahan kondisi pasar.
Bank-bank yang telah berada dalam tahap lanjut transformasi ini bahkan mulai membangun apa yang disebut sebagai “nerve center”, yaitu dashboard harian yang memberikan visibilitas lintas risiko, keuangan, dan treasury secara real-time, didukung oleh kapabilitas pemantauan berbasis AI/ML. Ini adalah arah yang dituju oleh dynamic forecasting: bukan sekadar mempercepat pelaporan, melainkan mengubah cara manajemen bank mengambil keputusan setiap hari.
Artikel Selanjutnya dalam Seri Ini
Sepanjang seri ini, kita telah membahas konsep, regulasi, mekanisme teknis, manfaat bisnis, hingga kapabilitas forecasting dinamis dari IBSM. Di artikel terakhir, kita akan membahas secara spesifik bagaimana SAS, melalui platform IBSM-nya, dan PT Mitra Mandiri Informatika sebagai SAS Preferred Partner di Indonesia, dapat membantu bank-bank di Indonesia menjalankan transformasi ini, mulai dari arsitektur platform hingga roadmap implementasi yang realistis.
Artikel ini adalah bagian dari seri “IBSM untuk Perbankan Indonesia” yang diterbitkan oleh PT Mitra Mandiri Informatika, SAS Preferred Partner di Indonesia.
