Memprediksi Pinjaman Berbasis Data dengan "Machine Credit Scoring"

Data science memiliki peran dan dampak besar di sektor industri fintech atau finance technology. Hal ini dialami Amartha, pelopor fintech peer-to-peer lending di Indonesia.

Di balik pencapaian telah membantu lebih dari 100 ribu pengusaha mikro serta memiliki tingkat kesuksesan pembayaran lancar sebesar 97.78%, di tahun awal operasi Amartha sempat kesulitan dalam menentukan penilaian pinjaman untuk peminjamnya atau borrowers.

Dari awal perjalanan, Amartha menggunakan proses manual hingga akhirnya berhasil mengembangkan credit scoring berbasis data di Android. Hal ini dipaparkan pada kegiatan bedah kasus DQLab ke-4 yang diadakan di kantor Amartha di daerah Kemang.

Ibu sejahtera, negara sejahtera

Ibu-ibu dan pedesaan. Dua komponen menjadi sasaran Amartha. Secara kasat, kedua hal tersebut pasti memiliki tantangan besar untuk dikelola, terlebih harus dikaitkan dengan teknologi.

Sudah pasti bisa dibayangkan, banyak hal harus dilakukan secara manual terlebih dalam proses data collecting. Amartha menargetkan lokasi-lokasi pedesaan dengan taraf ekonomi penduduk yang masih rendah.

Berangkat dari misi sosial meningkatkan perekonomian negara melalui pengembangan desa, Amartha memilih ibu-ibu sebagai target peminjam atau borrowers. Alasannya, berdasarkan hasil riset internal Amartha, ibu-ibu memiliki sifat dasar tanggung jawab besar bukan hanya untuk dirinya tapi juga untuk keluarganya.

Dengan demikian, jika menyejahterakan satu orang ibu, berati kita juga telah menyejahterakan seluruh keluarganya. Dampaknya, jelas dapat mempengaruhi perekonomian desa bahkan juga perekonomian negara.

Menyoal kredit di pedesaan

Adanya latar belakang serta kebutuhan beragam, Amartha sempat kesulitan dalam menentukan nilai pinjaman layak untuk diberikan kepada calon borrowers.

Hal ini disebabkan beberapa hal; pertama, syarat mengajukan kredit di desa kebanyakan dengan menjadi anggota koperasi. Sementara itu, banyak koperasi tidak cocok untuk mereka karena latar belakang sehingga menyulitkan mendapatkan pendanaan.

Kedua, jika mereka ingin meminjam uang ke bank, mereka harus memiliki tabungan terlebih dahulu, sementara banyak ibu-ibu tidak memiliki tabungan di bank. Ketiga, perlu ada jaminan seperti motor atau rumah, dan prosesnya cukup lama. Keempat, adanya potongan pinjaman di awal. 

“Sudah minjamnya cuma 3 juta tapi potongannya bisa 100-200 ribu. Mereka cuma dapat 2,9 juta lalu disuruh balikin 4 juta atau plus syarat-syarat totalnya. Hal ini yang menggugah Amartha untuk dapat menolong orang-orang tersebut dengan cara lebih layak," ungkap Farkhan Novianto, Business Intelligent Lead Amartha.

“Tujuan kita beralih ke data adalah kalau nanti saat ibu-ibu ingin meminjam uang jadi lebih gampang. Jadi ibu-ibu akan isi data di handphone, lalu akan keluar output berupa credit scoring atau pilihan pinjamannya”, lanjut pria yang akrab disapa Aan ini.

Mengoptimalkan teknologi sederhana

Dok. Amarta Ilustrasi Proses Pinjaman di Amarta

Awalnya, sistem peminjaman di Amartha harus lewat tim petugas lapangan Amartha, lalu kemudian petugas lapangan akan mengarahkan untuk mengisi formulir persetujuan petugas cabang. Lalu petugas cabang akan laporan ke pusat, baru disetujui. Proses ini kurang lebih mencapai satu minggu.

Aan mengaku, saat awal proses pembuatan credit scoring di Amartha cukup sulit dan banyak kendala mempengaruhi.

“Yang pertama prosesnya panjang, butuh waktu lama untuk bisa melihat hasilnya. Kedua, data dimiliki seadanya. Ketiga, masih banyak proses harus dilakukan secara manual di lapangan seperti isi di kertas dan tulis tangan sehingga banyak mendapatkan data kotor," tutur Aan.

Lamanya proses pembuatan credit scoring, Amartha akhirnya berinisiatif membuat beberapa prototype.

Vice President Amartha, Aria Widyanto menambahkan, sebelum menggunakan sistem credit scoring ini, proses saat pertama kali berinteraksi dengan calon borrowers hingga disetujui pinjamannya membutuhkan waktu hingga 1 bulan. 

Kemudahan dan transparansi lewat credit scoring

“Setelah membuat algoritma dan credit scoring seperti itu, sebenarnya keputusan approve atau tidak, hanya butuh waktu sekitar 20 – 30 menit. Karena pada saat setelah selesai interview di aplikasi dengan petugas lapangan kita, di situ sudah bisa langsung kelihatan berapa credit scoring-nya," ujat Aria.

Aria menambahkan, saat itu juga kita bisa langsung bilang, ibu layak mendapatkan pinjaman sebesar 4 juta rupiah.

Tidak hanya mempersingkat waktu prosesnya, credit scoring juga mempersingkat pengisian formulir. “Kita juga simplify proses manual seperti nama, alamat, usia, dan lainnya itu harus input manual dan sangat melelahkan” jelasnya menambahkan.

Selain itu, kebutuhan credit scoring ini juga untuk memberikan transparansi pada pendana urban (investor). Karena jika credit scoring tidak valid, sulit juga bagi pendana urban untuk memilih preferensi risiko mereka.

Pendana urban di Amartha memiliki peran penting karena fungsi Amartha adalah untuk menghubungkan "perempuan-perempuan tangguh" pedesaan dengan pendana urban. 

Aria  juga mengaku untuk bisa menghasilkan model credit scoring yang tepat, dibutuhkan kompetensi teknik pengolahan data handal dan kerjasama tim kompak.

Kemampuan seperti problem solving mindset, penerapan teknik pengolahan data, teknik analisis data dengan beragam projek industri dapat menunjang karir sebagai data scientist ini salah satunya dapat dipelajari secara online di program belajar data science DQLab.id.