Analisis Kelayakan Kredit Pada Peer To Peer Lending Menggunakan Data Sosial Media (studi Kasus: Linkedin)

Abstract

Abstrak Credit scoring sangat membantu pemberi pinjaman dalam mengevaluasi kelayakan kredit calon peminjam. Ketersediaan data yang tidak mencukupi, memberikan tantangan kepada perusahaan P2P Lending untuk memanfaatkan data alternatif sebagai pengganti atau pelengkap indikator pemodelan penilaian kredit. P2P Lending menggunakan data sosial media untuk mengganti kurangnya data tersebut. Akan tetapi, data sosial media yang heterogen sangat susah digunakan untuk mengidentifikasi kelayakan kredit seseorang. Dengan adanya permasalahan tersebut penelitian ini bertujuan untuk menentukan model penilaian kelayakan kredit seseorang menggunakan data sosial media LinkedIn. Penelitian ini menggunakan proses data mining untuk melakukan prediction analysis berupa metode classification (klasifikasi) yang memanfaatkan algoritma decision tree, dan random forest. Hasil penelitian ini menunjukkan bahwa kombinasi data user demographic attributes dan data user generated content menghasilkan model penilaian kredit terbaik dengan nilai accuracy sebesar 87.12%, dengan hasil tersebut, P2P Lending memiliki kesempatan untuk membuka segmentasi baru konsumen atau nasabah yang tidak memiliki riwayat kredit secara lengkap. Temuan lainnya juga menjelaskan data user generated content lebih cocok untuk dijadikan data pelengkap model penilaian kredit. Kata kunci: Penilaian Kredit, Klasifikasi, P2P Lending, Sosial Media Abstract Credit scoring is very helpful for lenders in evaluating the credit worthiness. Insufficient data availability, presents a challenge to P2P Lending companies to use alternative data as a substitute or complement to credit scoring modeling indicators. P2P Lending uses social media data to compensate for the lack of data. However, heterogeneous social media data is very difficult to identify the credit worthiness. This study aims to determine the credit worthiness of someone using LinkedIn social media data. This study use data mining methods to perform prediction analysis with classification method using decision tree and random forest algorithm. The results of this study indicate that the combination of user demographic attributes and user generated content data produces the best credit scoring model with an accuracy value of 87.12%, with these results, P2P Lending has the opportunity to open new segments of consumers who do not have a complete credit history. Other findings also explain the data user generated content is more suitable to be used as a complementary data credit scoring model. Keywords: Credit Scoring, Classification, P2P Lending, Social Media