Anda di halaman 1dari 6

Nama : Priska Basaria Br Panjaitan

NIM : 1901524295
Kelas : LCM3
Tugas Personal 3
Week 5
PT. Brenz Indonesia (BRENZ), merupakan salah satu perusahaan yang bergerak dibidang
pembuatan aplikasi sistem. Anda dikontrak menjadi salah satu System Analyst (SA) oleh
BRENZ. Saat ini BRENZ mempunyai beberapa client yang diantaranya bergerak dibidang
keuangan perbankan. Salah satu client yaitu Bank Mandiri. Bank Mandiri saat ini sudah
memiliki Data Warehouse. Namun DW belum digunakan secara maksimal, artinya dalam
pengambilan keputusan tidak berdasarkan informasi yang valid dan akurat. Manajemen masih
menggunakan insting dalam mengambil keputusannya. Oleh karena itu anda ditugaskan untuk
mengubah perilaku manajemen tsb. Salah satu keputusan yang ingin diambil adalah Bank
Mandiri ingin membuat sebuah produk baru yang dapat menambah dan meningkatkan
pendapatan. Oleh karena itu diperlukannya penelitian dan Data Mining untuk menentukan
Produk Baru itu. Sebagai SA, BRENZ meminta anda untuk membuat presentasi kepada
manajemen Bank Mandiri yang isinya sebagai berikut:
a. Menjelaskan

Keuntungan-keuntungan

yang

didapatkan

perusahaan

dalam

penerapan BI.
Jawab :
Penerapan business intelligence pada industri perbankan merupakan kunci sukses dalam
mengefisiensikan dan mengefektifkan kegiatan bisnis utama dengan kemampuan dalam
mendapatkan, mengelola dan menganalisa data nasabah, produk, layanan, kegiatan
operasi, pemasok dan rekan kerja dalam jumlah yang sangat besar. Contoh penerapan
business intelligence pada industri perbankan adalah customer relationship
management, customer credit analysis, risk management, credit card analysis,
customer segmentation, dll (Hair, 2007), (Dan, 2008). Peranan business intelligence
dalam kegiatan bisnis dapat menyediakan layanan yang lebih personal kepada pelanggan
dan secara radikal meningkatkan kualitas servis dari bank tersebut. Pengelola produk
perbankan bersaing dalam mendesain produk dan layanan yang dapat menjawab setiap
kebutuhan suatu segmen tertentu.

Nama : Priska Basaria Br Panjaitan


NIM : 1901524295
Kelas : LCM3
Salah satu penerapan customer credit analysis adalah penerapan model penilaian kredit
nasabah (Ince & Aktan, 2009). Penilaian kredit nasabah merupakan kegiatan paling
penting untuk mengevaluasi aplikasi pinjaman yang diajukan oleh nasabah. system
penilaian kredit digunakan untuk memodelkan potensi resiko dari aplikasi pinjaman,
dimana system tersebut memiliki keuntungan karena dapat menangani aplikasi pinjaman
dalam jumlah besar dengan cepat tanpa membutuhkan sumber daya yang banyak
sehingga dapat menurunkan biaya operasional dan efektif dalam mengurangi penalaran
dalam pengambilan keputusan. Dengan persaingan dan pertumbuhan pasar kredit
konsumen, para pemain di industri perbankan saling berlomba untuk mengembangkan
strategi yang lebih baik berkat bantuan penerapan model penilaian kredit. Tujuan dari
penilaian kredit adalah memberikan kemampuan kepada bagian analisa kredit untuk
menentukan aplikasi pinjaman nasabah yang diterima dari pihak marketing bank
termasuk kredit yang baik dimana para nasabah yang termasuk dalam kategori tersebut
memiliki kemungkinan yang cukup besar untuk membayar kewajiban finansialnya
kepada bank atau kredit yang jelek dimana para nasabah yang termasuk dalam kategori
tersebut memiliki kemungkinan yang cukup besar untuk memenuhi kewajiban
finansialnya. Berdasarkan hasil studi yang dilakukan oleh Huseyin Ince dan Bora Aktan
(2009), peneliti membandingkan kinerja dari model penilaian kredit menggunakan
pendekatan tradisional dan artificial intelligence (discriminant analysis, logistic
regression, neural networks, classification, and regression tree). Penelitian percobaan
dengan data riil telah mendemonstrasikan bahwa classification, regression tree, dan
neural networks mengalahkan kinerja model penilaian kredit secara tradisional dalam hal
prediksi keakuratan dan type II errors.
Analisis terhadap data pelanggan merupakan kunci utama bagi pihak manajemen bank
untuk menghasilkan keuntungan yang maksimal. Dengan menggunakan konsep pareto,
bahwa dengan mendesain produk dan layanan kepada 20% nasabah dapat memberikan
hasil sebesar 80% terhadap keuntungan. Pihak manajemen mempercayai bahwa dengan
menganalisa 20% nasabah tersebut merupakan langkah yang efektif dalam meningkatkan
keuntungan dan menurunkan biaya operasional. Selain kasus diatas, pihak manajemen
bank dapat menganalisis pemasaran kartu, perhitungan harga jual dan tingkat keuntungan

Nama : Priska Basaria Br Panjaitan


NIM : 1901524295
Kelas : LCM3
terhadap pemillik kartu, deteksi terhadap potensi kecurangan, prediksi manajemen daur
hidup nasabah. Segmentasi pelanggan merupakan salah satu strategi pemasaran yang
efektif, dengan memahami karakteristik dan kebutuhan setiap segmen nasabah maka
pihak manajemen dapat mendesain bagaimana cara memasarkan, harga, kebijakan untuk
setiap produk dan layanan sehingga dapat memberikan keuntungan yang maksimal
(Mawoli & Abdulsalam, 2012). Dengan penerapan business intelligence dalam proses
segmentasi nasabah menjadi lebih mudah karena pihak manajemen dapat dengan mudah
mengidentifikasi demografi dan geografi nasabah tetapi pihak manajemen harus
meluangkan waktu dan tenaga apabila ingin mengetahui psikografi dan perilaku nasabah
dan pihak manajemen perlu mengidentifikasi atribut-atribut yang diperlukan seperti
umur, pekerjaan, penghasilan dan jenis kelamin dengan mudah dan pada umumnya dapat
diukur dengan RFV (recency, frequency, dan value dari perilaku transaksi mereka) (Sun,
2009), (Lin, Zhu, Yin, & Dong, 2008).
Dapat disimpulkan bahwa untuk memenuhi kebutuhan nasabah yang makin komplek dan
efisiensi bisnis proses dengan otomatisasi kegiatan operasional membutuhkan dukungan
sistem informasi. Sistem informasi perbankan perlu tetap dikembangkan sehingga dapat
memenuhi kebutuhan nasabah dan mengikuti inovasi bisnis, akan tetapi perlu adanya
integrasi dengan sistem business intelligence sehingga pihak manajemen mendapatkan
informasi yang up-to-date dan insight dari data historis.
b. Gambaran mengenai arsitektur OLTP, Data Warehouse dan BI yang akan
dibangun.

Nama : Priska Basaria Br Panjaitan


NIM : 1901524295
Kelas : LCM3
Berdasarkan data warehouse, berbagai macam aplikasi analitikal telah dikembangkan.
Sistem business intelligence mendukung 2 tipe dasar dalam fungsi analitikal: pelaporan
dan online analytical processing (OLAP). Fungsi pelaporan menyediakan manajer
berbagai jenis laporan bisnis seperti laporan penjualan, laporan produk, dan laporan
sumber daya manusia. Laporan dihasilkan dari menjalankan queries kedalam data
warehouse. Data warehouse queries pada umumnya sudah didefinisikan oleh
pengembang data warehouse. Laporan yang dihasilkan oleh sistem business intelligence
biasanya memiliki format yang statis dan berisi tipe data yang pasti.
Analitikal business intelligence yang paling menjanjikan adalah OLAP. Menurut Codd et
al (1993) yang dikutip oleh Niu (2009), OLAP memungkinkan manajer untuk secara
efisien mendalami data bisnis dari berbagai dimensi analisis melalui operasi pengirisan,
pemotongan dan pendalaman. Sebuah analisis dimensi merupakan perspektif melalui
bagaimana data tersebut dipresentasikan, sebagai contoh: tipe produk, lokasi penjualan,
waktu dan pelanggan. dibandingkan dengan fungsi laporan, OLAP mendukung analisis
data sesuai dengan kebutuhan. OLAP merupakan model data multidimensional yang
dikenal sebagai skema snowflake dan star. Sebagai tambahan dari laporan dan OLAP,
terdapat banyak tipe analitikal yang lain yang dapat dibuat berdasarkan sistem data
warehouse

seperti

data

mining,

executive

dashboards,

customer

relationship

management, dan business performance management.


c. Jenis Teknik Data Mining yang akan anda gunakan dan contoh penerapannya.
1. Association Rule Mining
Association rule mining adalah teknik mining untuk menemukan aturan assosiatif
antara suatu kombinasi item. Penting tidaknya suatu aturan assosiatif dapat diketahui
dengan dua parameter, support yaitu persentase kombinasi item tsb. dalam database
dan confidence yaitu kuatnya hubungan antar item dalam aturan assosiatif. Algoritma
yang paling populer dikenal sebagai Apriori dengan paradigma generate and test,
yaitu pembuatan kandidat kombinasi item yang mungkin berdasar aturan tertentu lalu
diuji apakah kombinasi item tsb memenuhi syarat support minimum. Kombinasi item
yang memenuhi syarat tsb. disebut frequent itemset, yang nantinya dipakai untuk

Nama : Priska Basaria Br Panjaitan


NIM : 1901524295
Kelas : LCM3
membuat aturan-aturan yang memenuhi syarat confidence minimum. Algoritma baru
yang lebih efisien bernama FP-Tree.
2. Classification Classification
Adalah proses untuk menemukan model atau fungsi yang menjelaskan atau
membedakan konsep atau kelas data, dengan tujuan untuk dapat memperkirakan kelas
dari suatu objek yang labelnya tidak diketahui. Model itu sendiri bisa berupa aturan
jika-maka, berupa decision tree, formula matematis atau neural network. Decision
tree adalah salah satu metode classification yang paling populer karena mudah untuk
diinterpretasi oleh manusia. Disini setiap percabangan menyatakan kondisi yang harus
dipenuhi dan tiap ujung pohon menyatakan kelas data. Algoritma decision tree yang
paling terkenal adalah C4.5, tetapi akhir- akhir ini telah dikembangkan algoritma
yang mampu menangani data skala besar yang tidak dapat ditampung di main
memory seperti RainForest. Metode-metode classification yang lain adalah Bayesian,
neural network, genetic algorithm, fuzzy, case-based reasoning, dan k-nearest
neighbor. Proses classification biasanya dibagi menjadi dua fase : learning dan test.
Pada fase learning, sebagian data yang telah diketahui kelas datanya diumpankan
untuk membentuk model perkiraan. Kemudian pada fase test model yang sudah
terbentuk diuji dengan sebagian data lainnya untuk mengetahui akurasi dari model
tsb. Bila akurasinya mencukupi model ini dapat dipakai untuk prediksi kelas data
yang belum diketahui.
3. Clusterings
Berbeda dengan association rule mining dan classification dimana kelas data telah
ditentukan

sebelumnya,

clustering

melakukan

penge-lompokan

data

tanpa

berdasarkan kelas data tertentu. Bahkan clustering dapat dipakai untuk memberikan
label pada kelas data yang belum diketahui itu. Karena itu clustering sering
digolongkan sebagai metode unsupervised learning. Prinsip dari clustering adalah
memaksimalkan kesamaan antar anggota satu kelas dan meminimumkan kesamaan
antar kelas/cluster. Clustering dapat dilakukan pada data yan memiliki beberapa
atribut yang dipetakan sebagai ruang multidimensi. Banyak algoritma clustering

Nama : Priska Basaria Br Panjaitan


NIM : 1901524295
Kelas : LCM3
memerlukan fungsi jarak untuk mengukur kemiripan antar data, diperlukan juga
metode untuk normalisasi bermacam atribut yang dimiliki data. Beberapa kategori
algoritma clustering yang banyak dikenal adalah metode partisi dimana pemakai
harus menentukan jumlah k partisi yang diinginkan lalu setiap data dites untuk
dimasukkan pada salah satu partisi, metode lain yang telah lama dikenal adalah
metode hierarki yang terbagi dua lagi : bottom-up yang menggabungkan cluster kecil
menjadi cluster lebih besar dan top-down yang memecah cluster besar menjadi cluster
yang lebih kecil.
Berdasarkan beberapa teknik data mining tersebut Sebagai seorang SA, saya akan
menggunakan teknik Clustering. Teknik ini merupakan pengelompokan informasi
yang diperoleh dari data yang menjelaskan hubungan antar objek dengan prinsip
untuk memaksimalkan kesamaan antar satu kelas. Contoh penerapannya di bank
Mandiri, clustering dapat mengatur banyak customer ke dalam banyak group, seperti
mengelompokkan customer kedalam beberapa cluster dengan kesamaan karakteristik
yang kuat. Dengan demikian Bank Mandiri dapat dengan mudah mengambil
keputusan dengan pertimbangan pertimbangan yang disajikan oleh system.