Perpustakaan Digital ITB

Pesatnya ekspansi pinjaman digital di Indonesia telah menciptakan ketegangan konstan bagi bank digital antara mengembangkan portofolio pinjaman mereka dan mempertahankan kualitas portofolio tersebut. Studi ini membahas ketegangan bagi bisnis pinjaman digital sebuah bank digital Indonesia (yang menyamar sebagai "Seloka"), yang segmentasi pelanggannya berdasarkan aturan dan penilaian tidak dapat membedakan tingkat risiko secara cukup detail untuk memberikan kredit dengan aman. Dengan menggunakan teknik pohon keputusan Chi-squared Automatic Interaction Detection (CHAID) yang diimplementasikan dalam SAS Enterprise Miner, model segmentasi berbasis risiko dikembangkan pada dataset terintegrasi dari pelanggan pinjaman (2024–2025) yang menggabungkan data perilaku dan pendanaan internal dengan data biro kredit SLIK eksternal. Target biner adalah terjadinya keterlambatan pembayaran. Variabel yang paling prediktif adalah jenis fasilitas aktif yang dimiliki di biro, diikuti oleh tenor pendanaan pelanggan dengan platform, yang menegaskan bahwa data jejak digital membawa sinyal risiko kredit tambahan di luar data biro saja. Pohon sepuluh daun dua tingkat terakhir mencapai Gini validasi 0,7042 (AUC 0,8521) dan statistik Kolmogorov–Smirnov 0,5390, dengan kinerja validasi sedikit melebihi pelatihan, menunjukkan tidak adanya overfitting. Sepuluh daun tersebut dikonsolidasikan menjadi tiga tingkatan operasional (Rendah, Sedang, Tinggi) yang menunjukkan urutan risiko monoton dan dipetakan langsung ke matriks kebijakan kredit yang berbeda yang mengatur persetujuan, batasan, dan penetapan harga. Kerangka kerja ini transparan, ramah regulator, dan dapat diterapkan secara operasional, memberikan landasan praktis untuk pertumbuhan berbasis risiko dalam pinjaman digital di Indonesia.