Credit scoring adalah sistem penilaian kelayakan kredit yang menghitung probabilitas seorang peminjam akan membayar kembali pinjamannya. Skor ini dihasilkan dari analisis data historis riwayat pembayaran, jumlah utang aktif, durasi kredit, dan variabel lainnya untuk menghasilkan angka yang merepresentasikan tingkat risiko kredit seseorang.
Di Indonesia, credit scoring menjadi tulang punggung keputusan lending digital. BNPL, P2P lending, dan multifinance mengandalkan credit score untuk memproses ribuan pengajuan per hari dengan kecepatan dan konsistensi yang tidak mungkin dicapai oleh review manual.
Namun ada satu asumsi fundamental yang sering tidak dipertanyakan: credit scoring mengasumsikan bahwa pemohon adalah orang yang benar-benar memiliki identitas tersebut. Ketika asumsi ini dilanggar oleh identitas sintetis, identitas curian, atau multi-accounting seluruh model credit scoring runtuh.
Credit scoring di Indonesia menggunakan beberapa sumber data utama. Data dari SLIK OJK (Sistem Layanan Informasi Keuangan) yang mencatat riwayat kredit formal. Data alternatif seperti riwayat pembayaran e-wallet, tagihan telekomunikasi, dan aktivitas e-commerce. Data aplikasi seperti informasi pekerjaan, penghasilan, dan tujuan pinjaman yang diisi pemohon.
Model scoring mengolah data ini menjadi skor numerik biasanya dalam skala 300-850 atau 1-100 yang menentukan apakah pengajuan disetujui, ditolak, atau membutuhkan review manual. Semakin tinggi skor, semakin rendah risiko kredit yang diprediksi.
Credit scoring dirancang untuk menilai perilaku kredit bukan memverifikasi identitas. Ini celah yang dieksploitasi oleh identitas sintetis.
Identitas sintetis adalah identitas palsu yang dibuat dengan menggabungkan data asli (misalnya NIK yang valid dari kebocoran data) dengan informasi fiktif (nama palsu, wajah AI-generated). Karena NIK-nya valid, identitas ini lolos verifikasi Dukcapil. Karena wajah AI-generated cukup realistis, ia lolos face match. Dan karena identitas ini 'baru' tidak punya riwayat kredit credit scoring memperlakukannya sebagai pemohon baru yang clean, bukan sebagai ancaman.
Setelah disetujui, pinjaman dicairkan. Pembayaran awal mungkin dilakukan untuk membangun credit history (teknik yang disebut 'bust-out'). Setelah limit ditingkatkan, seluruh kredit ditarik dan tidak pernah dibayar. Rata-rata, identitas sintetis baru terdeteksi 6-12 bulan setelah pencairan jauh setelah kerugian terjadi.
Selain identitas sintetis, multi-accounting adalah modus yang semakin lazim. Satu orang mengajukan pinjaman di puluhan platform sekaligus menggunakan identitas yang sama atau sedikit dimodifikasi. Credit scoring di masing-masing platform tidak bisa melihat pengajuan di platform lain secara real-time terutama jika platform tersebut belum melaporkan ke SLIK.
Akibatnya, satu individu bisa mendapatkan total kredit yang jauh melampaui kemampuan bayarnya. Ketika default terjadi, setiap platform menanggung kerugian dan baru menyadari bahwa peminjam yang sama sudah default di banyak platform lain.
Credit scoring dan fraud detection menjawab dua pertanyaan yang berbeda tapi sama pentingnya. Credit scoring menjawab: 'jika orang ini asli, apakah dia mampu bayar?' Fraud detection menjawab: 'apakah orang ini benar-benar yang dia klaim?'
Tanpa fraud detection, credit scoring rentan terhadap garbage-in-garbage-out: model yang akurat tapi bekerja dengan data identitas yang palsu. Tanpa credit scoring, fraud detection tidak bisa menilai kelayakan finansial pemohon yang sudah terverifikasi identitasnya.
Pendekatan yang efektif mengintegrasikan keduanya dalam satu alur keputusan: verifikasi identitas dan fraud check terlebih dahulu, baru credit scoring. Jika identitas gagal verifikasi atau flagged sebagai high-risk, tidak perlu menjalankan credit scoring pengajuan langsung ditolak, menghemat resource dan menutup celah.
VIDA ID FraudShield menambahkan layer yang tidak dimiliki credit scoring: pemeriksaan di level perangkat dan jaringan. Sebelum credit scoring berjalan, ID FraudShield menganalisis device fingerprint (apakah pengajuan dari emulator atau perangkat fisik?), velocity check (berapa banyak pengajuan dari device yang sama dalam periode tertentu?), graph analysis (apakah device ini terhubung dengan pengajuan lain yang sudah ditolak atau flagged?), dan behavioral signals (apakah pola interaksi konsisten dengan pengguna manusia?).
Dengan menjalankan fraud check sebelum credit scoring, platform lending bisa memfilter pengajuan fraudulent di pintu masuk sebelum menghabiskan resource untuk credit assessment yang hasilnya tidak akan bermakna.
Credit scoring adalah alat yang powerful untuk menilai kelayakan kredit tapi bukan alat untuk mendeteksi fraud. Di era di mana identitas sintetis dan multi-accounting semakin canggih, mengandalkan credit scoring saja untuk keputusan lending adalah blind spot yang berpotensi menggerus portofolio pinjaman secara perlahan. Solusinya bukan mengganti credit scoring, melainkan melengkapinya dengan fraud detection berbasis device intelligence yang bekerja di tahap paling awal dalam proses keputusan kredit.