How Artificial Intelligence Utilized to Solve Fintech Peer-to-Peer Lending Issue

ALBERTA EMILIA, Prof. Amin Wibowo, Ph.D.

2022 | Tesis | Magister Manajemen

Peer-to-peer Lending (P2PL) adalah contoh alternatif keuangan yang perkembangannya telah meningkat sejak muncul pada tahun 2005. P2PL terkenal di seluruh dunia dan memberi penggunanya, baik peminjam dan pemberi pinjaman hak istimewa untuk memilih cara dan objek pinjaman mereka. P2PL menyajikan data yang transparan dibandingkan dengan pinjaman tradisional. Sayangnya, pertumbuhan industri P2P tidak sebanding dengan pertumbuhan undang-undang terkait industri ini. Akibatnya, selama perkembangannya, beberapa permasalahan terjadi. Belum adanya regulasi yang tepat, menyebabkan asimetri informasi menjadi masalah krusial dalam industri P2PL. Ketika informasi antar pihak tidak terdistribusi secara merata, dimana salah satu pihak memiliki lebih banyak informasi daripada yang lain, hal ini dapat mengarah ke permasalahan yang lebih mendalam. Penelitian ini akan mencoba menjadi kajian literatur tambahan untuk topik fintech dan P2PL. Selain itu, penelitian ini bertujuan untuk menjadi studi praktis dan teoretis yang membuktikan bahwa kecerdasan buatan dapat digunakan untuk memprediksi faktor yang membuat orang membayar pinjamannya. Ini akan membantu setiap stakeholder dalam untuk meningkatkan analisis guna mengurangi risiko gagal bayar dan asimetri informasi. Analisa data dilakukan menggunakan data dari perusahaan LendingClub, dalam periode waktu 2017 hingga 2020; LendingClub dikenal sebagai perusahaan yang datanya dapat dijadikan tolak ukur dalam industri P2PL. Berangkat dari literatur sebelumnya, tujuan penelitian ini juga ingin meningkatkan kualitas data dengan melakukan pre-pengolahan data yang belum dilakukan sebelumnya. Selain itu, untuk mengatasi masalah distribusi data yang tidak seimbang, diterapkan teknik SMOTE. Beberapa model kecerdasan buatan diimplementasikan dalam penelitian ini, yaitu Logistic Regression, Decision Tree, Random Forest, MLP, KNN dan LightGBM. Setelah melakukan evaluasi dan perbandingan untuk setiap model yang digunakan berdasarkan confusion matrix dan studi empiris menghasilkan LightGBM dan Random Forest memberikan kinerja terbaik dibandingkan dengan model yang lain.

P2P lending is an example of alternative finance and has increased since its establishment in 2005. Consequently, P2P lending is well-known worldwide. P2P gives users, borrowers, and lenders the privilege to choose the manner and the object of their loan. P2P serves transparent data compared to the traditional one. Unfortunately, the growth of the P2P lending industry has exceeded the growth of the law related to fintech. As a result, some concerns are associated with this industry during its development. Since there is no proper regulation, information asymmetry has become a crucial problem in the P2P lending industry. When information between parties is not equally distributed, one of the parties has more information than the others. This study will try to become an additional literature review for fintech and P2P lending topics. Besides, this study aims to become a practical and theoretical study that proves that artificial intelligence can predict the factor that makes people pay their loans. It will help each player in the P2P lending operations to improve the analysis to reduce default risk and information asymmetry. The dataset is extracted from LendingClub from 2017 to 2020; LendingClub is known as benchmark data in the P2P lending industry. After learning from the previous literature, the first objective is to improve data quality by doing data pre-processing. In addition, to handle the imbalance issue, SMOTE technique was applied. Several models have been implemented, namely, Logistic Regression, Decision Tree, Random Forest, MLP, KNN and LightGBM, for the data analysis. Evaluation of the model has adopted the confusion matrix series of metrics, and empirical study resulted in LightGBM and Random Forest providing the best performance compared to the other. In terms of evaluation metrics, it predicts with higher accuracy.

Kata Kunci : peer to peer lending, fintech, artificial intelligence, loan assessment, classification classifiers