Archive Pages Design$type=blogging$count=7

banner image

Penerapan Data Mining Untuk Memprediksi Kriteria Nasabah Kredit

PENERAPAN DATA MINING UNTUK MEMPREDIKSI KRITERIA NASABAH KREDIT









SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER
STMIK DUTA BANGSA
SURAKARTA
2016
A. Latar Belakang
Salah satu tugas dari bidang marketing perbankan adalah melakukan analisis data nasabahnya untuk mengetahui nasabah-nasabah yang berpotensi melakukan kredit. Pada umumnya, metode yang digunakan untuk menganalisis data nasabah adalah dengan cara mengklasifikasikan semua nasabah yang telah melunasi angsuran kreditnya ke dalam target pemasaran, sehingga metode ini menyebabkan tingginya biaya operasional marketing. Oleh karena itu, penelitian ini dilakukan untuk membantu menyelesaikan permasalahan tersebut dengan merancang sebuah aplikasi data mining yang berfungsi untuk memprediksi kriteria nasabah kredit yang berpotensi melakukan peminjaman (kredit) terhadap bank. Bagian Dana Bank XY yang berlokasi di Kabupaten Bandung merupakan tempat yang dipilih oleh peneliti sebagai studi kasus, dengan asumsi Bagian Dana Bank XY tersebut telah mengalami permasalahan yang sama seperti yang telah dijelaskan di atas.
Data mining dapat digunakan oleh marketer untuk menganalisis pasar sehingga seorang marketer dapat memahami pasar yang sudah ada ataupun menemukan peluang-peluang yang baru untuk meningkatkan keuntungan termasuk memprediksi kriteria target pasar. Oleh karena itu, penelitian ini fokus pada pemanfaatan data mining untuk memprediksi kriteria nasabah kredit, sehingga dapat diketahui apakah nasabah yang bersangkutan merupakan nasabah yang berpotensi menjadi nasabah kredit yang produktif atau tidak.
Data mining adalah proses menganalisa data dari perspektif yang berbeda dan menyimpulkannya menjadi informasi-informasi penting yang dapat dipakai untuk meningkatkan keuntungan, memperkecil biaya pengeluaran, atau bahkan keduanya. Secara teknis, data mining dapat disebut sebagai proses untuk menemukan korelasi atau pola dari ratusan atau ribuan field dari sebuah relasional database yang besar. [2]
Batasan masalah dari penelitian ini diantaranya adalah :
1. Membangun aplikasi data mining di Bagian Dana Bank XY Kabupaten Bandung.
2. Metode data mining yang digunakan adalah decision tree dengan algoritma decision tree yang digunakan adalah Algoritma C4.5.
3. Data yang digunakan adalah data angsuran nasabah kredit Bank XY Kabupaten Bandung selama periode Juni 2009, dengan jumlah data yang digunakan sebanyak 250 record.
4. Preprocessing yang dilakukan terlebih dahulu terhadap data yang digunakan adalah data integration and transformation, data cleaning, dan data reduction sehingga data tersebut siap untuk di-mining.
5. Proses data integration and transformation, data cleaning, dan data reduction tidak ditangani sistem.
6. Hasil dari proses mining adalah terbentuknya pola data berupa rules (aturan prediksi).
7. Pemodelan analisis pembangunan perangkat lunak yang digunakan adalah metode analisis berorientasi objek.


B. Pembahasan
Kemampuan Data mining untuk mencari informasi bisnis yang berharga dari basis data yang sangat besar, dapat dianalogikan dengan penambangan logam mulia dari lahan sumbernya,
teknologi ini dipakai untuk [2] :
1. Prediksi trend dan sifat-sifat bisnis, dimana data mining mengotomatisasi proses pencarian
informasi pemprediksi di dalam basis data yang besar.
2. Penemuan pola-pola yang tidak diketahui sebelumnya, dimana data mining “menyapu”
basis data, kemudian mengidentifikasi pola-pola yang sebelumnya tersembunyi dalam satu
sapuan.
Dalam aplikasinya, data mining sebenarnya merupakan salah satu bagian proses Knowledge Discovery in Database (KDD) yang bertugas untuk mengekstrak pola atau model dari data dengan menggunakan suatu algoritma yang spesifik. Adapun proses KDD sebagai berikut : [1]
1. Data Selection : pemilihan data dari sekumpulan data operasional perlu dilakukan sebelum tahap penggalian informasi dalam KDD dimulai.
2. Preprocessing : sebelum proses data mining dapat dilaksanakan, perlu dilakukan proses cleaning dengan tujuan untuk membuang duplikasi data, memeriksa data yang inkonsisten, dan memperbaiki kesalahan pada data, seperti kesalahan cetak (tipografi). Juga dilakukan proses enrichment, yaitu proses “memperkaya” data yang sudah ada dengan data atau informasi lain yang relevan dan diperlukan untuk KDD, seperti data atau informasi eksternal.
3. Transformation : yaitu proses coding pada data yang telah dipilih, sehingga data tersebut sesuai untuk proses data mining. Proses coding dalam KDD merupakan proses kreatif dan sangat.
tergantung pada jenis atau pola informasi yang
akan dicari dalam database.
4. Data mining : proses mencari pola atau informasi menarik dalam data terpilih dengan menggunakan teknik atau metode tertentu.
5. Interpretation / Evaluation : pola informasi yang dihasilkan dari proses data mining perlu ditampilkan dalam bentuk yang mudah dimengerti oleh pihak yang berkepentingan. Tahap ini merupakan bagian dari proses KDD yang disebut dengan interpretation. Tahap ini mencakup pemeriksaan apakah pola atau informasi yang ditemukan bertentangan dengan fakta atau hipotesa yang ada sebelumnya atau tidak.

C. Kesimpulan
Setelah pohon keputusan terbentuk secara utuh, maka dibuat aturan prediksi berdasarkan hasil pembentukan pohon keputusan tersebut. Adapun rules (aturan) prediksi yang dapat diperoleh dari pembentukan pohon keputusan pada contoh tersebut adalah sebagai berikut :
1. Jika Pekerjaannya di bidang Perdagangan dan DESA CITAPEN
    Diprediksikan Berpotensi
2. Jika Pekerjaannya di bidang Perdagangan dan DESA BATUJAJAR BARAT dan Jenis                    Kelaminnya Laki-Laki Diprediksikan Berpotensi
3. Jika Pekerjaannya di bidang Perdagangan dan DESA CIPATIK
    Diprediksikan Tidak Berpotensi
4. Jika Pekerjaannya di bidang Perdagangan dan DESA BATUJAJAR BARAT dan Jenis Kelaminnya Perempuan Diprediksikan Tidak Berpotensi
5. Jika Pekerjaannya di bidang Pertanian
    Diprediksikan Tidak Berpotensi
Setelah melakukan analisis, perancangan, implementasi beserta pengujian yang telah dilakukan, maka dapat disimpulkan bahwa aplikasi yang dibangun dapat membantu Bagian Dana dalam menganalisis data nasabah untuk menentukan target pemasaran kredit sehingga diharapkan biaya operasional marketing perbankan dapat ditekan seminimal mungkin. Jadi perancangan aplikasi data mining ini telah sesuai dengan prosedur dan tujuan yang diharapkan. Adapun saran-saran untuk pengembangan aplikasi ini lebih lanjut adalah :
1. Pembersihan data diharapkan bisa terintegrasi dalam aplikasi.
2. Adanya grafik yang mempresentasikan hasil analisis.
3. Format masukan data tidak hanya berupa Microsoft Excel saja tetapi bisa Microsoft Access, SQL server, dan lain sebagainya.







D. Daftar Pustaka
[1] Agushinta, D., Irfan, M. (2008), Perancangan Aplikasi Data Mining Untuk Memprediksi Permintaan Customer Pada Perusahaan Persewaan Mobil, Prosiding Seminar Ilmiah Nasional Komputer dan Sistem Intelijen (KOMMIT 2008), Depok, Universitas Gunadarma, 207-208
[2] Berry, M.J.A., (2004), Data Mining Techniques, John Wiley & Sons.
[3] Giudici, P., (2003), Applied Data Mining Statistical Methods for Business and Industry, England : John Wiley & Sons, Ltd.
[4] Han, J., Micheline, K. (2006), Data Mining Concepts and Techniques, Second Edition. California : Morgan Kauffman Publishers.
[5] Khairina, I.K., Penggunaan Pohon Keputusan untuk Data Mining, ITB,1-3,http://www.informatika.org/~rinaldi/Matdis/2008-2009/Makalah2008/Makalah0809-005.pdf
Penerapan Data Mining Untuk Memprediksi Kriteria Nasabah Kredit Penerapan Data Mining Untuk Memprediksi Kriteria Nasabah Kredit Reviewed by Agustinus - on 08:03:00 Rating: 5

No comments:

Powered by Blogger.