Credit scoring sangat membantu pemberi pinjaman dalam mengevaluasi kelayakan kredit calon peminjam. Ketersediaan data yang tidak mencukupi, memberikan tantangan kepada perusahaan P2P Lending untuk memanfaatkan data alternatif sebagai pengganti atau pelengkap indikator pemodelan penilaian kredit. P2P Lending menggunakan data sosial media untuk mengganti kurangnya data tersebut. Akan tetapi, data sosial media yang heterogen sangat susah digunakan untuk mengidentifikasi kelayakan kredit seseorang. Dengan sedikitnya relevansi antara data sosial media dengan konten terkait penilaian kredit, perlu adanya penyesuaian pendekatan teori dan pengolahan data yang tepat. Dengan adanya permasalahan tersebut penelitian ini bertujuan untuk menentukan model penilaian kelayakan kredit seseorang menggunakan data sosial media LinkedIn. Penelitian ini menggunakan proses data mining untuk melakukan prediction analysis berupa metode classification (klasifikasi) yang memanfaatkan algoritma decision tree, dan random forest. Hasil penelitian ini menunjukkan bahwa kombinasi data user demographic attributes dan data user generated content menghasilkan model penilaian kredit terbaik dengan nilai accuracy sebesar 87.12%, dengan hasil tersebut, P2P Lending memiliki kesempatan untuk membuka segmentasi baru konsumen atau nasabah yang tidak memiliki riwayat kredit secara lengkap. Temuan lainnya juga menjelaskan data user generated content lebih cocok untuk dijadikan data pelengkap model penilaian kredit.