RPS minggu 11 · 2x50 menit

Analisis Data Keuangan dan Pemodelan Kuantitatif untuk Fintech

Pertemuan 10 · Laboratorium Financial Technology

Dari data transaksi mentah menjadi keputusan bisnis: rasio keuangan, credit scoring sederhana, dan model prediktif dasar untuk startup fintech.

Peta Perjalanan Hari Ini

Jam ke-1

Mengapa fintech butuh analisis data keuangan
Sumber & jenis data keuangan fintech
Rasio keuangan dasar untuk startup
Hitung dari nol: rasio likuiditas & profitabilitas

Jam ke-2

Credit scoring: logika & variabel
Hitung dari nol: skor kredit sederhana
Pemodelan kuantitatif: regresi & segmentasi
Studi kasus & latihan kelompok

Bagian 1

Mengapa Data Adalah Bahan Bakar Fintech

Dari "gut feeling" ke keputusan berbasis angka

Dari Penilaian Manual ke Data-Driven

Cara Lama (Bank Konvensional)

Wawancara tatap muka & survei lapangan
Riwayat kredit bertahun-tahun (BI Checking/SLIK)
Butuh jaminan aset (agunan)
Proses 1–2 minggu untuk keputusan

Cara Fintech (Data-Driven)

Data transaksi e-commerce, dompet digital, media sosial
Model kuantitatif memprediksi risiko dalam hitungan detik
Tanpa agunan, keputusan berbasis skor
Proses beberapa menit — tapi rentan bias model

Contoh nyata: aplikasi Kredivo dan Akulaku menyetujui limit pinjaman dalam hitungan menit dengan menganalisis pola belanja dan histori pembayaran digital pengguna — bukan wawancara manual.

Jenis Data Keuangan yang Dianalisis Fintech

Data Transaksional

Riwayat pembayaran, frekuensi transaksi, nilai rata-rata belanja di platform seperti Tokopedia atau GoPay.

Data Perilaku

Pola login aplikasi, kecepatan mengisi formulir, lokasi geografis, jejak digital di media sosial.

Data Finansial Formal

Laporan keuangan UMKM, rekening koran, slip gaji, riwayat SLIK OJK bila tersedia.

Isu penting: kualitas data menentukan kualitas model. Data yang bias atau tidak lengkap akan menghasilkan keputusan kredit yang bias pula (garbage in, garbage out).

Rasio Keuangan: Bahasa Universal Analis

Sebelum masuk ke model rumit, seorang analis fintech harus menguasai rasio keuangan dasar — alat ukur paling sederhana namun paling sering dipakai.

Rasio Likuiditas

Mengukur kemampuan bayar kewajiban jangka pendek
Current Ratio = Aset Lancar ÷ Kewajiban Lancar
Dipakai untuk menilai UMKM peminjam P2P lending

Rasio Profitabilitas

Mengukur seberapa efisien menghasilkan laba
Net Profit Margin = Laba Bersih ÷ Pendapatan
Dipakai investor menilai kesehatan startup fintech

Hitung dari Nol: Rasio Likuiditas & Profitabilitas UMKM

Kasus: UMKM "Kopi Berkah" mengajukan pinjaman modal kerja Rp 50 juta melalui platform P2P lending.

Langkah	Perhitungan	Nilai
1. Data laporan keuangan	Aset lancar Rp 30 juta; Kewajiban lancar Rp 20 juta	—
2. Current Ratio	30 juta ÷ 20 juta	1,5x aset lancar / kewajiban lancar
3. Interpretasi likuiditas	1,5x > 1x → mampu tutup kewajiban jangka pendek	Sehat
4. Data laba & pendapatan	Pendapatan bulan ini Rp 25 juta; Laba bersih Rp 5,5 juta	—
5. Net Profit Margin	5,5 juta ÷ 25 juta × 100%	22% laba bersih / pendapatan
6. Keputusan skor internal	Likuiditas sehat + margin 22% (di atas rata-rata sektor ~15%)	Layak lanjut ke scoring

Bagian 2

Credit Scoring: Logika di Balik Angka

Bagaimana fintech mengubah data menjadi satu angka keputusan

Variabel Umum dalam Model Credit Scoring

Karakter & Riwayat

Riwayat pembayaran tagihan (listrik, pulsa, cicilan)
Lama penggunaan aplikasi fintech
Konsistensi pendapatan

Kapasitas & Kondisi

Rasio utang terhadap pendapatan (DTI)
Rasio likuiditas & profitabilitas (dari bagian sebelumnya)
Sektor usaha & kondisi ekonomi makro

Prinsip klasik 5C tetap relevan: Character, Capacity, Capital, Collateral, Condition — fintech hanya mengganti cara mengukurnya dengan data digital.

Hitung dari Nol: Skor Kredit Sederhana (Model Bobot)

Kasus: calon peminjam individu di platform paylater mengajukan limit Rp 3 juta. Model internal memakai 3 variabel berbobot dari skala 0–100.

Langkah	Perhitungan	Nilai
1. Skor ketepatan bayar (bobot 50%)	Skor mentah 80 × 50%	40 poin tertimbang
2. Skor konsistensi pendapatan (bobot 30%)	Skor mentah 70 × 30%	21 poin tertimbang
3. Skor rasio utang/pendapatan (bobot 20%)	Skor mentah 60 × 20%	12 poin tertimbang
4. Skor total	40 + 21 + 12	73 dari skala 0–100
5. Keputusan (ambang batas 65)	73 > 65 → disetujui	Limit penuh Rp 3 juta

Dari Skor ke Keputusan: Segmentasi Risiko

Skor 73 dari contoh sebelumnya jatuh di segmen Risiko Rendah — ini yang mendasari persetujuan otomatis instan.

Coba Sendiri: Geser Titik Cut-off Credit Scoring

Geser ambang batas skor persetujuan dan amati bagaimana trade-off antara nasabah baik yang ditolak (error tipe I) dan nasabah gagal bayar yang lolos (error tipe II) berubah.

Pemodelan Kuantitatif: Dari Regresi ke Prediksi

Model bobot sederhana tadi adalah versi mini dari model statistik yang sesungguhnya dipakai fintech: regresi logistik.

Apa yang Diprediksi

Probabilitas gagal bayar (default) dalam rentang 0–1
Bukan angka pasti, tapi kemungkinan/peluang
Contoh: peluang gagal bayar 12% → masih layak disetujui

Kenapa Bukan Regresi Linear Biasa

Hasil regresi linear bisa keluar dari rentang 0–1 (tidak masuk akal untuk probabilitas)
Regresi logistik memaksa hasil selalu di antara 0 dan 1
Cocok untuk keputusan biner: bayar / gagal bayar

Coba Sendiri: Kurva Regresi Logistik Probabilitas Gagal Bayar

Ubah koefisien dan variabel input, lihat bagaimana kurva S regresi logistik memetakan skor mentah menjadi probabilitas gagal bayar antara 0 dan 1.

Walkthrough: Menyusun Dataset untuk Model Risiko

Sebelum model bisa "belajar", data mentah harus melewati tahapan berikut — walkthrough tim data fintech dalam menyiapkan dataset scoring.

Tahap Persiapan

1. Kumpulkan data historis: 10.000 nasabah lama, status bayar diketahui
2. Bersihkan data: buang duplikat, isi data kosong secara wajar
3. Pilih variabel (feature) relevan: DTI, riwayat bayar, lama jadi nasabah

Tahap Pemodelan

4. Bagi data: 80% untuk melatih model, 20% untuk menguji akurasi
5. Latih model regresi logistik pada data 80%
6. Uji model pada data 20% yang belum pernah dilihat model

Mengukur Kualitas Model: Jangan Percaya Begitu Saja

Akurasi Bisa Menipu

Jika hanya 2% nasabah gagal bayar, model yang selalu bilang "lancar" sudah akurat 98%
Padahal model ini gagal total mendeteksi risiko

Metrik yang Lebih Jujur

Precision: dari yang diprediksi gagal bayar, berapa % benar-benar gagal bayar
Recall: dari yang benar-benar gagal bayar, berapa % berhasil terdeteksi model

Fintech lending harus menyeimbangkan precision dan recall: terlalu ketat → banyak nasabah baik ditolak (kehilangan bisnis); terlalu longgar → banyak nasabah gagal bayar lolos (kerugian kredit).

Coba Sendiri: Hitung Precision & Recall dari Confusion Matrix

Ubah angka true positive, false positive, true negative, dan false negative — amati bagaimana precision, recall, dan F1-score model berubah.

Bagian 3

Studi Kasus & Aplikasi Nyata

Bagaimana fintech Indonesia menerapkan semua ini

Studi Kasus: Alternative Credit Scoring ala Fintech Lokal

Amartha (P2P Lending UMKM Perempuan)

Data utama: kehadiran rapat kelompok, disiplin cicilan mingguan
Model menilai karakter lewat perilaku sosial, bukan laporan keuangan formal

Bank Jago (Digital Banking)

Integrasi data dengan aplikasi mitra (Gojek, Bibit) untuk profil transaksi
Analisis pola cash flow real-time untuk penawaran produk personal

Pelajaran kunci: tidak ada satu model scoring yang universal — setiap fintech merancang variabel sesuai segmen nasabah dan sumber data yang mereka miliki.

Latihan Kelompok: Rancang Model Scoring Sederhana

Bentuk kelompok 3–4 orang. Waktu pengerjaan: 15 menit, dilanjutkan presentasi singkat.

Instruksi

1. Pilih satu jenis fintech: paylater, P2P lending UMKM, atau asuransi mikro
2. Tentukan 3 variabel data yang relevan untuk menilai risiko nasabahnya
3. Beri bobot (%) untuk tiap variabel, total harus 100%
4. Buat 1 contoh perhitungan skor dengan angka fiktif seperti di slide "Hitung dari Nol"
5. Tentukan ambang batas persetujuan dan jelaskan alasannya

Siapkan hasil di kertas/slide sederhana untuk dipresentasikan 2 menit per kelompok pada 20 menit terakhir sesi.

Kesalahan Umum yang Harus Dihindari

Kesalahan Teknis

Memakai data terlalu sedikit sehingga model tidak stabil
Tidak menguji model pada data baru (overfitting)
Mengabaikan variabel yang berkorelasi/redundan

Kesalahan Etis & Bisnis

Memakai variabel diskriminatif (SARA, gender) sebagai penentu skor
Model tidak transparan — nasabah tidak tahu alasan ditolak
Mengabaikan regulasi perlindungan data (UU PDP)

Menghubungkan ke Pertemuan Berikutnya

Yang Sudah Anda Kuasai Hari Ini

Menghitung rasio likuiditas & profitabilitas dari nol
Logika model bobot untuk skor kredit sederhana
Perbedaan precision & recall dalam evaluasi model

Menuju Pertemuan 11

Studi kasus industri fintech global & lokal secara mendalam
Membandingkan strategi beberapa pemain besar fintech Indonesia
Bekal menuju penyusunan proyek fintech kelompok Anda

Terima Kasih

Pertanyaan & Diskusi

Analisis Data Keuangan dan Pemodelan Kuantitatif untuk Fintech — Pertemuan 10