Data Mining
merupakan teknologi baru yang berguna untuk membantu perusahaan-perusahaan
menemukan informasi yang penting dari gudang data mereka. Data Mining dapat memprediksi
tren dan sifat-sifat perilaku bisnis yang berguna untuk mendukung pengambilan keputusan
penting. Analisis terotomatisasi yang dilakukan oleh data mining melebihi sistem
pendukung keputusan tradisional yang sudah banyak digunakan. Perkembangan data
mining yang pesat tidak lepas dari perkembangan teknologi informasi yang
memungkinkan data terakumulasi dalam jumlah besar. Sebagai contoh, toko
swalayan akan merekam setiap penjualan barang dengan memakai alat POS (Point of
Sales). Database data penjualan tersebut bisa mencapai beberapa GB setiap
harinya untuk sebuah jaringan toko swalayan berskala nasional. Perkembangan
internet juga punya andil cukup besar dalam akumulasi data.
Selain
perusahaan-perusahaan yang menjual produk Data Mining juga diterapkan
diberbagai bidang yaitu pendidikan, kesehatan, manufaktur, dan juga keuangan/
perbangkan. Di bidang perbankan Data Mining dapat berkontribusi untuk
memecahkan masalah bisnis dan keuangan dengan menemukan pola, sebab-akibat,
serta korelasi dalam informasi bisnis dan harga pasar yang tidak segera
terlihat oleh manajer karena data volume terlalu besar atau dihasilkan terlalu
cepat untuk disaring oleh para ahli. Para manajer dapat menemukan informasi ini
untuk segmentasi, penargetan, perolehan, penahanan, dan pemeliharaan pelanggan
yang lebih baik.
Penerapan Data
Mining yang sering dilakukan di bidang perbankan adalah untuk memprediksi
kriteria nasabah kredit. Contoh kasusnya
adalah pada sebuah bank memiliki masalah memprediksi kelayakan kredit dari
klien baru berdasarkan data historis dari klien masa lalu. Sebuah bank memiliki
data tentang klien kepada siapa itu memberi kredit di masa lalu. Data klien
berisi data pribadi, data yang menjelaskan status keuangan dan perilaku
keuangan sebelum dan pada saat itu klien diberi kredit. Klien dibagi menjadi
empat kelas. Kelas pertama berisi semua klien-klien yang dibayar kembali kredit
tanpa masalah. Kelas kedua mereka yang dibayar kembali dengan masalah kecil di
sana-sini. Kelas ketiga berisi mereka yang hanya harus mendapatkan kredit
setelah pemeriksaan rinci karena masalah besar payback terjadi di masa lalu,
dan kelas keempat terdiri dari mereka yang tidak membayar sama sekali.
Menggunakan tabel data, model prediksi dibuat untuk memprediksi probabilitas
setiap kelas untuk klien baru. Kombinasi atribut yang bertanggung jawab untuk
klien yang memiliki probabilitas tinggi tidak membayar kembali akan
diidentifikasi oleh model prediksi juga.
Penerapan
lainnya juga dapat dilakukan untuk memprediksi kelayakan kredit pada suatu
bank. Data Mining meningkatkan sistem analisa kredit untuk penentuan kelayakan
pemberian kredit bagi calon debitur yang akan mengajukan kredit pada bank. Metode
yang digunakan adalah dengan penggunaan algoritma C4.5 serta mengoptimalkan dan
menganalisa atribut faktor usaha sebagai parameter untuk penentuan kelayakan
kredit, diantaranya: jenis usaha, status tempat usaha, lama usaha, sistem
penjualan, sistem pembelian, fasilitas dan kolek nasabah. Sehingga dengan
adanya Data Mining dapat meningkatkan keakuratan analisa kredit menjadi lebih
optimal.
Oleh karena
itu, menurut saya Data Mining dapat membantu bank untuk lebih baik memprediksi
pemberian kredit pada pelanggan. Hal ini juga memungkinkan untuk menawarkan
kondisi yang lebih baik kepada pelanggan lain dengan risiko lebih rendah . Data
Mining dapat juga diaplikasikan untuk memprediksi kelayakan kredit serta mendeteksi
pola penyalahgunaan kartu kredit dan mengidentifikasi tingkat loyalitas dari
para pelanggan.
Daftar Pustaka:
Iriadi, Nandang, Nia Nuraini.
2016. Kajian Penerapan Metode Klasifikasi Data Mining Algoritma C4.5 untuk
Prediksi Kelayakan Kredit pada Bank Mayapada Jakarta. Jurnal Teknik Komputer
AMIK BSI. 2(11): 132-137.
Mabrur, Angga Ginanjar, Riani
Lubis. 2012. Penerapan Data Mining untuk Memprediksi Kriteria Nasabah Kredit.
Jurnal Komputer dan Informatika (KOMPUTA). 1(1): 53-57.
Tidak ada komentar:
Posting Komentar