PENERAPAN DATA MINING UNTUK MEMPREDIKSI KRITERIA
NASABAH KREDIT
Angga
Ginanjar Mabrur[1], Riani Lubis[2]
1,2Program
Studi Teknik Informatika
Fakultas Teknik dan Ilmu Komputer Universitas Komputer
Indonesia
Jl. Dipati
Ukur No. 112-116 Bandung
Email :
e.ngga@yahoo.com[1],riani_lubis@yahoo.com[2]
ABSTRAK
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.
Teknik data mining yang diterapkan pada aplikasi yang dibangun adalah
klasifikasi sedangkan metode klasifikasi yang digunakan adalah Decision Tree (pohon keputusan).
Algoritma yang dipakai sebagai algoritma pembentuk pohon keputusannya adalah
Algoritma C4.5. Adapun data yang di proses dalam penelitian ini adalah data
angsuran nasabah kredit Bank XY pada bulan Juni 2009 dalam format Microsoft
Excel.
Hasil penelitian ini adalah sebuah
aplikasi yang dapat memudahkan Bagian Dana Bank XY dalam memperoleh target
pemasaran kredit di masa mendatang.
Kata Kunci : Data
mining, Marketing, Prediksi, Decission Tree, Algoritma C4.5.
1.
PENDAHULUAN
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.
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.
2.
TINJAUAN PUSTAKA
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]
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.
3.
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
Tabel 1
Struktur tabel MASTER_KREDIT
Field
|
NASABAH_ID
|
NAMA_NASABAH
|
ALAMAT
|
JENIS_KELAMIN
|
TEMPATLAHIR
|
TGLLAHIR
|
UMUR
|
JENIS_ID
|
KODE_AGAMA
|
DESA
|
KECAMATAN
|
KOTA_KAB
|
PROPINSI
|
VERIFIKASI
|
TGL_REGISTER
|
KODEPOS
|
KODE_KANTOR
|
STATUS_MARITAL
|
BI_JENIS_PENGGUNAAN
|
BI_SEKTOR_EKONOMI
|
JML_PINJAMAN
|
NILAI_PINJAMAN
|
JML_ANGSURAN
|
KODE_INTEGRASI
|
STATUS
|
JENIS_AGUNAN
|
CEK
|
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
parameterparameter 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
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 6 menunjukkan class
diagram sebagai hasil realisasi dari
use case diagram.
Tabel 2
Skenario Use Case
Melakukan Import Data
Identifikasi
|
||
Nomor
|
UC-02
|
|
Nama
|
Melakukan import Data
|
|
Tujuan
|
Mengimpor data yang akan diolah atau dianalisis
|
|
Identifikasi
|
||
Deskripsi
|
Sistem
membaca lokasi alamat data yang diinputkan pengguna, melakukan proses import data setelah aktor mengklik
tombol “import”, kemudian
menampilkan hasil data yang telah selesai di impor ke dalam aplikasi.
|
|
Aktor
|
Bagian Dana
|
|
Skenario
Utama
|
||
Kondisi awal
|
Pengguna sudah terautentifikasi dan berada pada halaman
utama aplikasi data mining
|
|
Aksi Aktor
|
Reaksi
Sistem
|
|
1. Mengklik tombol menu
“Import Data”
|
||
2. Menampilkan halaman Import
Data
|
||
3. Mengklik tombol
“Browse”
|
||
4. Menampilkan halaman Open
Dialog
|
||
5. Mencari lokasi database nasabah dalam format
Microsoft Excel (*.xls)
|
||
6. Setelah
ditemukan kemudian klik tombol “Open”
|
||
7. Menampilkan lokasi
alamat database
|
||
8. Klik tombol
“Import
Data” untuk
memulai proses import data
|
||
9. Mengimpor data
|
||
10. Menampilkan hasil data yang telah diimpor ke dalam sistem.
|
||
Skenario
Alternatif – Lokasi data belum ditentukan
|
||
Aksi Aktor
|
Reaksi
Sistem
|
|
1. Mengklik tombol “Import
Data”
|
||
2. Tombol “Import
Data” tidak aktif atau disabled.
|
||
2. Mencari lokasi database
nasabah dalam format
Microsoft Excel (*.xls).
|
||
Kondisi akhir
|
Data berhasil diimpor
|
|
Gambar 5. Sequence Diagram Melakukan Import Data
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/2
008-2009/Makalah2008/Makalah0809-005.pdf
(6)
4.
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.
Processing
yang termasuk processing adalah pada bagian "Prosedur pencarian nasabah yang dilakukan oleh Bagian Dana Bank XY Kabupaten Bandung"
Transformasi Data
yang termasuk transformasi data adalah pada bagian "pohon keputusan yang terbentuk dengan menggunakan algoritma C4.5 dapat dilihat pada gambar 2"
Pola/Pattern
yang termasuk pola adalah pada bagian "Aktor yang terkait dengan aplikasi data mining ini adalah Bagian Dana"
Interpretasi
yang termasuk interpretasi adalah hasil melakukan import data.
Tidak ada komentar:
Posting Komentar