Teknologi finansial sedang berkembang beberapa tahun belakangan, termasuk di Indonesia, yang juga telah meregulasi sektor jasa keuangan ini. Salah satu jenis teknologi finansial tersebut adalah layanan peer-to-peer lending, yakni skema pemberian pinjaman yang menggantikan peran bank konvensional sebagai lembaga perantara. Kendati demikian, jasa keuangan ini memiliki risiko seperti gagal bayar dan berhentinya kegiatan usaha penyelenggara. Meskipun angka non-performing loan peer-to-peer lending di Indonesia masih terbilang kecil, namun tetap menunjukkan peningkatan. Skripsi ini merupakan penelitian untuk meninjau dan memperbandingkan pengaturan tanggung jawab penyelenggara peer-to-peer lending di Indonesia dengan Inggris dan India dalam hal penerima pinjaman wanprestasi, dan dalam hal penyelenggara berhenti melakukan kegiatan usaha. Metode yang digunakan dalam skripsi ini adalah yuridis normatif studi perbandingan hukum, dengan meneliti bahan pustaka atau data sekunder dengan didukung hasil wawancara dengan narasumber. Hasil penelitian menunjukkan ketiga negara tersebut memiliki persamaan dan perbedaan dalam mengatur tanggung jawab penyelenggara. Terdapat perbedaan, yakni dalam mengatur dasar tindakan penagihan utang, keterbukaan informasi, jaminan, tanggung jawab dalam hal penerima pinjaman wanprestasi, dan prosedur dalam hal kegiatan usaha berhenti. Setelah melakukan perbandingan, ditemukan bahwa pemerintah Indonesia harus mengadakan perubahan terhadap peraturan yang ada saat ini untuk memberikan ketentuan yang lebih spesifik mengenai tanggung jawab penyelenggara dalam hal penerima pinjaman wanprestasi maupun dalam hal penyelenggara berhenti beroperasi.
Financial Technology is emerging in the past several years, including in Indonesia, which also has regulated this financial service sector. One of the financial technology is peer-to-peer lending, a lending scheme which replace the role of coventional bank as an intermediary. However, this financial service has potential risk such as default or the closure of business operation. Although the number of non-performing loan is relatively small, it increases. This thesis is a study to review and compare peer-to-peer lending’s platform liability in Indonesia against those in UK and India in case of borrowers’ default and in case of platfom ceases to do its business activity. The method used in this thesis is juridical normatif comparative analysis, by conducting research to library materials or secondary data, and supported by interview with informants. The research result indicates the three countries have similarities and differences in regulating platform’s liability. There are differences in the provisions regarding debt collection, information disclosure, mortgage, platform’s liability India in case of borrowers’ default, and procedure in case of platfom ceases to do its business activity. After makung the relevant comparison, it is found that Indonesian government needs to ammend current regulation to provide provision on platform’s liability, both ex-ante and ex-post, in case of borrowers’ default and in case of platform ceases to operate.
"Credit Scoring adalah metode yang digunakan untuk memprediksi kemungkinan adanya risiko calon peminjam akan gagal bayar atau menunggak. Credit scoring digunakan oleh penyedia jasa pinjaman ketika calon peminjam dana mengajukan pinjaman. Salah satu perusahaan yang menggunakan credit scoring terhadap peminjamnya adalah Lending Club. Lending Club adalah salah satu penyedia jasa pinjam meminjam online Peer-to-Peer (P2P) di Amerika Serikat. Pada penelitian ini, dilakukan klasifikasi multikelas credit scoring berdasarkan status pinjaman (Loan Status) dari dataset Lending Club. Status pinjaman memiliki 3 kelas, yaitu default, fully paid, dan late. Dengan menggunakan pendekatan machine learning, yaitu supervised learning, klasifikasi multikelas credit scoring dapat dilakukan dengan menggunakan Multinomial Logistic Regression (MLR). MLR merupakan pengembangan dari Logistic Regression yang mampu menangani klasifikasi multikelas. Pada implementasi model MLR, digunakan 3 skenario sampling strategy pada SMOTE yang berbeda dalam mengklasifikasikan multikelas. Hasil klasifikasi multikelas dievaluasi dengan menggunakan metrik accuracy, precision, recall, F1-Score dan AUC (Area Under the Curve) One versus All. Hasil implementasi dengan evaluasi terbaik adalah model MLR dengan nilai accuracy sebesar 0,67 dan nilai rata-rata AUC One versus All sebesar 0,724932. Sedangkan evaluasi pada setiap kelas, kelas default memiliki nilai precision sebesar 0,47,recall sebesar 0,02 dan F1-Score sebesar 0,04; kelas fully paid memiliki nilai precision sebesar 0,85, recall sebesar 0,83 dan F1-Score sebesar 0,84; dan kelas late memiliki nilai precision sebesar 0,02, recall sebesar 0,84 dan F1-Score sebesar 0,04. Hasil tersebut menunjukkan bahwa kelas default memiliki hasil evaluasi yang kurang baik untuk setiap metrik evaluasi, kelas fully paid memiliki hasil evaluasi yang baik untuk setiap metrik evaluasi, sedangkan kelas late memiliki nilai yang cukup baik hanya pada nilai recall (0,84). Hasil yang kurang baik diduga dipengaruhi oleh adanya data yang tidak seimbang dan kelas yang saling tumpang tindih.
