PENERAPAN
DATA MINING UNTUK MEMPREDIKSI
KRITERIA
NASABAH KREDIT
Tugas
Bagian Dana Bank XY selama ini adalah mencari nasabah dan/atau menghimpun dana masyarakat
berupa kredit, dana tabungan, deposito, simpanan, dan pinjaman lainnya. Metode
yang digunakan untuk menentukan target pasar selama ini adalah
mengklasifikasikan semua nasabah yang telah melunasi angsuran kreditnya ke
dalam target pemasaran, padahal belum tentu semua nasabah tersebut akan
tertarik melakukan peminjaman kredit kembali.
Oleh karena itu, untuk meningkatkan loyalitas
nasabah bank tersebut, maka bagian ini dituntut untuk dapat mengambil keputusan
yang tepat dalam menentukan strategi pemasaran, baik produk maupun layanan jasa
perbankan yang akan ditawarkan kepada nasabah khususnya dalam masalah
perkreditan. Hal ini dapat direalisasikan jika diperoleh informasi yang cukup
untuk membantu proses pengambilan keputusan di bidang marketing, salah satunya adalah dengan melakukan peramalan
atau
memprediksi kriteria nasabah untuk kepentingan target pemasaran.
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.
ANALISIS SISTEM
Prosedur pencarian nasabah
yang dilakukan oleh Bagian Dana Bank XY Kabupaten Bandung, dapat dilihat pada
Gambar 1. Berdasarkan hasil observasi yang telah dilakukan, data nasabah kredit
Bank XY Kabupaten Bandung tersimpan dalam database microsoft excel dengan nama
MASTER_KREDIT hasil import dari Sistem Informasi Debitur (SID), dimana tabel
tersebut terdiri dari 27 fields (Tabel 1).
Gambar 1. Activity
Diagram Prosedur Pencarian Nasabah
Pada teknik classification,
keluaran dari setiap data yang dijadikan parameter target atau class harus
berupa bilangan bulat atau diskrit. Berdasarkan Tabel 1, field yang dijadikan
parameter target (class), yaitu field „CEK‟ yang berisi nilai parameter AKTIF
dan TIDAK-AKTIF. Nilai parameter AKTIF berarti nasabah masih mempunyai angsuran
kredit kepada bank, sedangkan TIDAK-AKTIF berarti nasabah sudah tidak mempunyai
angsuran kredit kepada bank lagi (sudah melunasi pembayaran kreditnya).
Berdasarkan records dari data
pada field „CEK‟ tersebut, maka teknik classification bisa diterapkan untuk
melakukan data mining pada data tersebut. Adapun kolom yang bisa diambil
sebagai parameter-parameter pembentuk pohon keputusannya adalah :
a. JENIS_KELAMIN
b. UMUR
c. DESA
d. KECAMATAN
e. STATUS_MARITAL
f. NILAI_PINJAMAN
g. JML_ANGSURAN
h. KODE_INTEGRASI.
Contoh pohon keputusan yang
terbentuk dengan menggunakan algoritma C4.5 dapat dilihat pada gambar 2.
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
Gambar 2.
Pohon Keputusan Node 1.1.2
Gambar 3 menunjukkan use case
aplikasi data mining yang dibangun sehingga tampak jelas interaksi antara
pengguna dengan aplikasi data mining. Aktor yang terkait dengan aplikasi data
mining ini adalah Bagian Dana. Aktor ini mempunyai wewenang sepenuhnya untuk
menangani aplikasi seperti melakukan login, import data, mengatur parameter,
memproses pohon keputusan, melakukan prediksi, menguji kriteria nasabah, dan
membuat laporan. Interaksi antara pengguna dengan aplikasi data mining yang
terjadi pada setiap aktivitas di atas, akan diperjelas dengan menggunakan activity diagram. Sebagai contoh dapat
dilihat Gambar 4 yang menunjukkan activity
diagram “Menginpor Data”.
Gambar 3. Use Case Diagram Aplikasi Data
Mining
Gambar 4.
Activity Diagram Mengimpor Data
Gambar
4. Activity Diagram Mengimpor Data Berdasarkan
skenario use case,
akan dibentuk diagram sequence
untuk kasus normal
dari setiap skenario use case.
Tabel 2 menunjukkan skenario use
case melakukan import
data dan Gambar
5 menunjukkan sequence diagramnya.
Sedangkan
Gambar 5. Sequace Diagram
KESIMPULAN DAN SARAN
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.
Daftar Pustaka : https://ojs.unikom.ac.id/index.php/komputa/article/view/48
0 komentar:
Posting Komentar