Model Credit Scoring Berdasarkan Data Demografi Dan Jejaring Sosial Di Media Sosial (studi Kasus: Linkedin)

Abstract

Abstrak Pengguna media sosial terus bertambah di seluruh dunia, khususnya di Indonesia yang memiliki lima platform media sosial yang paling aktif digunakan masyarakatnya, salah satunya adalah LinkedIn. Peningkatan pengguna media sosial menghasilkan data yang sangat besar (big data), big data diolah untuk menghasilkan wawasan dan membuat keputusan-keputusan strategis untuk bisnis, wawasan yang diperoleh dari big data dapat diterapkan diberbagai bidang, salah satunya pada lembaga keuangan seperti Bank untuk mendukung keputusan dalam menentukan kelayakan kredit melalui analisis credit scoring. Data media sosial memuat informasi dan konten yang dapat digunakan sebagai data alternatif oleh lembaga keuangan seperti Bank dalam melakukan credit scoring, meskipun data media sosial memiliki banyak informasi yang tidak relevan terhadap kondisi kredit seseorang. Oleh karena itu, perlu adanya penyesuaian pendekatan teori dan pengolahan data yang tepat. Melalui permasalahan tersebut, penelitian ini bertujuan untuk melakukan analisis credit scoring menggunakan data media sosial LinkedIn berupa data demografi dan jejaring sosial. Penelitian ini menggunakan salah satu model dalam metode data mining yaitu prediction analysis berupa metode classification (klasifikasi) dan memanfaatkan algoritma decision tree dan random forest. Hasil penelitian ini menunjukkan bahwa kombinasi data demografi dan jejaring sosial yang diolah menggunakan algoritma random forest terbukti mampu menghasilkan model credit scoring terbaik dengan nilai accuracy sebesar 77.27 persen. Kata kunci: Big Data, Media Sosial, Credit Scoring, Prediction Analysis, Klasifikasi Abstract Social media users continue to grow throughout the world, especially in Indonesia which has five social media platform that are most actively used by its people, one of which is LinkedIn. Increased social media users produce a huge amount of data (big data), big data is processed to generate insights and make strategic decision for business, and the insights that obtained from big data can be applied in various fields, one of which is on financial institutions such as Bank to support decisions in determining creditworthiness through credit scoring analysis. Social media data contains information and content that can be used as alternative data by financial institutions such as Banks in conducting credit scoring, even though social media data has a lot of irrelevant information to customer’s credit conditions. Therefore, it is necessary to adjust the theoretical approach and the proper data processing. Through these problems, this study aims to conduct a credit scoring analysis using LinkedIn social media data in the form of demographic and social network data. This study uses one of the models in the data mining method called prediction analysis with classification method and using decision tree and random forest algorithm. The results of this study indicate that the combination of demographic data and social network data processed using the random forest algorithm is proven to be able to produce the best credit scoring model with an accuracy value of 77.27 percent. Keywords: Big Data, Social Media, Credit Scoring, Prediction Analysis, Classification