DURASI PENGGUNAAN NOMOR TELEPON SELULER SEBAGAI INDIKATOR RISIKO KREDIT: ANALISIS DATA EKSPLORATIF BERBASIS MACHINE LEARNING

Yosy Arisandy; Shahrul Nizam  Bin Salahudin; Yosza Bin Dasril  Bin Dasril

doi:10.32500/jebe.v7i2.11037

Authors

Yosy Arisandy Universitas Islam Negeri Fatmawati Sukarno Bengkulu
Shahrul Nizam Bin Salahudin Universiti Tun Husein Onn Malaysia, Faculty of Technology Management and Business, 86400 Parit Raja, Batu Pahat, Johor, Malaysia https://orcid.org/0000-0002-9024-7386
Yosza Bin Dasril Bin Dasril Faculty of Electronics & Computer Technology & Engineering, Universiti Teknikal Malaysia MelakaDurian Tunggal 76100 Melaka, Malaysia https://orcid.org/0000-0002-2342-6173

DOI:

https://doi.org/10.32500/jebe.v7i2.11037

Keywords:

Risiko kredit, Exploratory Data Analysis, Durasi nomor telepon, Machine learning, Pinjaman tanpa agunan

Abstract

Pertumbuhan pesat platform pinjaman digital tanpa agunan di Asia Tenggara menuntut sistem penilaian risiko kredit yang lebih akurat dan inklusif, khususnya bagi peminjam yang belum memiliki riwayat kredit formal. Pemanfaatan data alternatif, termasuk informasi penggunaan telepon seluler, semakin dipertimbangkan dalam pengembangan sistem credit scoring. Namun, kajian khusus yang menilai durasi penggunaan nomor telepon seluler sebagai indikator stabilitas perilaku dalam memprediksi risiko kredit masih terbatas. Penelitian ini bertujuan menganalisis peran durasi penggunaan nomor telepon seluler sebagai prediktor risiko kredit pinjaman tanpa agunan. Studi ini menggunakan data sekunder dari dataset lending di Kaggle yang mencakup 307.506 debitur di Asia Tenggara dengan 30 variabel terpilih. Analisis dilakukan menggunakan pendekatan Exploratory Data Analysis (EDA) melalui teknik univariat, bivariat, dan multivariat dengan bantuan Python pada platform Google Colaboratory. Hasil analisis menunjukkan bahwa peminjam dengan durasi penggunaan nomor telepon yang lebih pendek dan usia yang lebih muda cenderung memiliki probabilitas gagal bayar lebih tinggi dibandingkan peminjam dengan penggunaan nomor yang lebih lama. Meskipun hubungan linier relatif lemah, variabel ini menunjukkan potensi sebagai indikator stabilitas perilaku ketika dikombinasikan dengan karakteristik demografis dan status pekerjaan. Temuan ini menunjukkan bahwa indikator telekomunikasi sederhana dapat memperkaya pengembangan model credit scoring berbasis machine learning yang lebih inklusif dalam ekosistem keuangan digital.

References

Adam, L., Sarana, J., Suyatno, B., Soekarni, M., Suryanto, J., Ermawati, T., Saptia, Y., Adityawati, S., Mychelisda, E., & Pamungkas, Y. (2025). Driving Financial Inclusion in Indonesia with Innovative Credit Scoring. Journal of Risk and Financial Management, 18(8), 442.

Agarwal, S., Alok, S., Ghosh, P., & Gupta, S. (2019). Financial Inclusion and Alternate Credit Scoring: Role of Big Data and Machine Learning in Fintech. Social Science Research Network. https://doi.org/10.2139/ssrn.3507827

Arisandy, Y., Dasril, Y. Bin, Salahudin, S. N. Bin, Muslim, M. A., Adnan, A., & Wen, G. K. (2023). Buy Now Pay Later Services on Generation Z: Exploratory Data Analysis Using Machine Learning. J. Theor. Appl. Inf. Technol, 15(11), 4194–4204.

Arkhipova, N., & Karminsky, A. (2023). Demographic characteristics as determinants of retail customers’ credit behavior. Evidence from Russian regions. Procedia Computer Science, 221, 1091–1098.

Auliya, S. F., Nugroho, L. E., & Setiawan, N. A. (2021). A review on smartphone usage data for user identification and user profiling. 6(1), 25–34. https://doi.org/10.21924/CST.6.1.2021.363

Björkegren, D., & Grissen, D. (2019). Behavior Revealed in Mobile Phone Usage Predicts Credit Repayment (Vol. 34). World Bank, Washington, DC. https://doi.org/10.1596/1813-9450-9074

Chen, A. J. Y., Even-Tov, O., Kang, J. K., & Wittenberg-Moerman, R. (2025). Digital Lending and Financial Well-Being: Through the Lens of Mobile Phone Data. The Accounting Review, 100(4), 135–159. https://doi.org/10.2308/TAR-2024-0046

Kao, C. H., Nakano, J., Shieh, S. H., Tien, Y. J., Wu, H. M., Yang, C. K., & Chen, C. H. (2014). Exploratory data analysis of interval-valued symbolic data with matrix visualization. Computational Statistics and Data Analysis, 79, 14–29. https://doi.org/10.1016/j.csda.2014.04.012

Lin, L., & Wang, Y. (2025). Shap stability in credit risk management: A case study in credit card default model. Risks, 13(12), 238.

Liu, Q., Zou, L., Yang, X., & Tang, J. (2019). Survival or die: a survival analysis on peer‐to‐peer lending platforms in China. Accounting and Finance, 59, 2105–2131. https://doi.org/10.1111/ACFI.12513

Maivalinda, M., Sulistianingsih, H., & Riski, T. R. (2023). Mengukur Prilaku Pinjaman Online Melalui Literasi Keuangan Digital, Preferensi Risiko dan Faktor Demografi Sebagai Variabel Moderasi. Jurnal Ekonomi Dan Bisnis Dharma Andalas, 25(2), 561–572.

Muslim, B. L. B. B., Hamdani, M., Anugrahani, I. S., Minarsi, A., Rianty, E., Purnamaningrum, T. K., Pracoyo, A., & Juansa, A. (2025). Literasi Keuangan: Wawasan, Perilaku dan Strategi Mengelola Keuangan. PT. Star Digital Publishing, Yogyakarta-Indonesia.

Nainggolan, D. S., & Umaroh, R. (2023). Analisis Efektifitas Pinjaman Bank Dan Peer-To-Peer Lending. Journal of Economic, Business and Engineering (JEBE), 4(2), 252–260. https://doi.org/10.32500/jebe.v4i2.4443

Nwachukwu, G. (2024). Enhancing credit risk management through revalidation and accuracy in financial data: The impact of credit history assessment on procedural financing. International Journal of Research Publication and Reviews, 5(11), 631–644.

Ots, H., Liiv, I., & Tur, D. (2020). Mobile Phone Usage Data for Credit Scoring. ArXiv: Computers and Society. https://arxiv.org/abs/2002.12616

Prasetya, D. A., Choiruddin, A., Rakshit, S., Sari, A. P., Wara, S. S. M., Pratama, A. R., & Nasrudin, M. (2025). Machine Learning Praktis Dengan Python: Dari Data Mining hingga Neural Network. Thalibul Ilmi Publishing & Education.

Putri Nurhidayati. (2025). Cukup Nomor HP Aktif, Easycash Bisa Kasih Pinjaman Rp 50 Juta, Segini Cicilannya. Rbtv.Disway.Id. https://rbtv.disway.id/bisnis-investasi/read/96625/cukup-nomor-hp-aktif-easycash-bisa-kasih-pinjaman-rp-50-juta-segini-cicilannya

Rahma, K., Indallaila, Fatimah, E., Mubarak, S., & Cinta, N. (2024). Analisis Pengguna Ponsel Terhadap Perilaku Generasi Z dalam Kehidupan Sehari-hari. https://doi.org/10.30997/karimahtauhid.v3i2.11858

Razavi, R., & Elbahnasawy, N. G. (2025). Unlocking credit access: Using non-CDR mobile data to enhance credit scoring for financial inclusion. Finance Research Letters, 73, 106682. https://doi.org/https://doi.org/10.1016/j.frl.2024.106682

Shorey, S., Vyugina, D., Waechter, N., & Dolev, N. (2024). Communication Preferences and Behaviors (pp. 31–42). Emerald (MCB UP). https://doi.org/10.1108/978-1-83797-092-620241004

Shrivastava, A. (2024). Attrition Unveiled: Analyzing Trends and Strategies in Employee Turnover. Journal of Management and Service Science (JMSS), 4(2), 1–9. https://doi.org/10.54060/a2zjournals.jmss.72

Titus, M. A. (2021). Using Descriptive Statistics and Graphs (pp. 79–102). Springer, Cham. https://doi.org/10.1007/978-3-030-60831-6_6

Vulpe, S.-N., & Ilinca, C. (2020). AGE AND USAGE OF TECHNOLOGY. A STRCUTURAL EQUATION MODEL BASED ON THE THEORY OF PLANNED BEHAVIOR. Revista Universitară de Sociologie, 16(2).