Perpustakaan Digital ITB

Teknologi keuangan atau fintech saat ini berkembang di dunia, terutama di Indonesia. Salah satu fintech yang juga sekarang berkembang di Indonesia adalah platform pinjaman daring peer to peer. Namun, salah satu masalah utamanya adalah risiko kredit. Ada perusahaan pinjaman daring peer to peer di Indonesia yang menghadapi kenaikan tingkat kredit macet. Itu berfluktuasi dari bulan Mei hingga September 2018. Kemudian, perusahaan berusaha mengembangkan penilaian kredit yang menambahkan data media sosial. Jadi, dalam penelitian ini, ditentukan bagaimana pengaruh data media sosial pada tingkat prediktabilitas penilaian kredit dan variabel apa yang dapat digunakan dalam membentuk model penilaian kredit yang efektif dan efisien. Dalam studi sebelumnya, prediksi pembayaran oleh peminjam dapat ditingkatkan dengan data media sosial. Kemudian dalam penelitian ini, JST akan digunakan sebagai metode prediksi pemberian pinjaman. Penelitian ini menggunakan dua variabel yang terdiri dari variabel independen dan dependen. Variabel dependen yang digunakan adalah probabilitas gagal bayar. Selanjutnya variabel independen terdiri dari durasi penggunaan Instagram, frekuensi posting di pagi hari, frekuensi posting di siang hari, frekuensi posting di sore hari, frekuensi posting di malam hari, frekuensi posting di tengah malam, jumlah akun religi yang diikuti di Instagram, followers, following, post per bulan di Instagram, jumlah posting di Instagram, tenor, jumlah cicilan, jenis kelamin, status perkawinan, distrik, jenis pekerjaan, dan pendapatan per bulan. Dalam penelitian ini, ditemukan bahwa penambahan data media sosial dapat meningkatkan rasio prediktabilitas 15,8%. Selanjutnya, lima variabel dapat digunakan sebagai prediktor dalam model peringkat kredit yang efektif dan efisien karena memiliki pengaruh yang tinggi dalam memprediksi gagal bayar. Variabel-variabel ini adalah jumlah pengikut, distrik tempat tinggal, jumlah posting di Instagram, frekuensi posting di malam hari, dan lama waktu meminjam. Kemudian pada model yang hanya menggunakan lima variabel ini, tingkat prediktabilitasnya 4,4% lebih tinggi daripada model yang hanya menggunakan data demografis dan historis pembayaran. Akhirnya, perusahaan direkomendasikan untuk menggunakan data media sosial dalam model penilaian kredit mereka dengan memberikan perhatian khusus pada lima variabel yang berpengaruh besar dalam memprediksi default yang terdiri dari jumlah berikut, distrik perumahan, jumlah posting di Instagram, frekuensi posting di malam hari, dan lama waktu meminjam. Kemudian juga untuk regulator, pengawas, dan lembaga keuangan lainnya dapat mempertimbangkan penggunaan data media sosial untuk diterapkan dalam penilaian kredit.