UJIAN TENGAH SEMESTER

KAPITA SELEKTA

LITERATURE REVIEW

DATA SCIENCE DI BIDANG BISNIS DAN PERBANKAN

DISUSUN OLEH :

Hasna Luthfiana Fadhila / 124200060

Program Studi Sistem Informasi

Jurusan Teknik Informatika

Fakultas Teknik Industri

Universitas Pembangunan Nasional “Veteran” Yogyakarta

2021
 PENDAHULUAN

Dalam arti sempit, data science atau ilmuan data adalah seni dan ilmu untuk
memeproleh pengetahuan melalui data (Ozdemir, 2016: 4). Sementara dalam
pengertian yang lebih luas, ilmuan data (data science) adalah segala hal tentang
bagaimana mengambil data, menggunakan data untuk memperoleh pengetahuan, dan
kemudian menggunakan pengetahuan tersebut untuk melakukan hal berikut: a)
Membuat keputusan. b) Memprediksi masa depan. c) Memamahami masa
lalu/sekarang. d) Menciptakan industri baru/produk baru.

Menurut D. Donoho (2015) terdapat 6 tahapan dalam data science yaitu: a)

Data Gathering, Preparation, and Exploration. b) Data Representation and
Transformation. c) Computing with Data. d) Data Modelling. e) Data Visualization
and Presentation. f) Science about Data Science.

Para pelaku bisnis mengartikan Revolusi 4.0 yaitu dengan mengambil

keputusan secara cepat dan tepat. Data merupakan penunjang pengambilan keputusan
secara cepat. Atau dikenal dengan istilah Data Driven Decision Making (DDDM).
Data Science merupakan ilmu yang sangat cepat berkembang dan di kembangkan
oleh organisasi yang menggunakan konsep DDDDM. Beberapa komponen teknologi
yang sangat menunjang data science diantaranya adalah big data, machine learning,
dan internet of things.

Big data telah membuka peluang untuk menetapkan strategi bisnis serta
inovasi dalam hal memproses, menganalisa dan menyimpan data dengan volume serta
tingkat votalitas yang tinggi secara cepat dan efektif. Bagi kalangan akademisi, Big
Data telah menobrak tradisi lama penelitian ilmu sosial. Big data memberikan solusi
bagi penelitian sosial konvensional, khususnya untuk menangkap realita seperti pola
jaringan komunikasi, diseminasi informasi, atau bahkan memprediksi pola gerakan
sosial atau politik berdasarkan perilaku secara online.

Saat ini kebutuhan data sangat dibutuhkan oleh pelaku bisnis dan juga
perbankan. Analisis data dilakukan untuk memperoleh informasi berharga yang dapat
digunakan baik dalam menunjang keputusan (menentukan credit approval dalam
perbankan) dan juga pengelompokan pelanggan dalam bisnis.
 PEMBAHASAN

Saat ini merupakan era Big Data dimana ada jutaan data diunggah ke internet
dalam satu menit. Menurut data LocaliQ, setiap menit sepanjang hari di tahun 2020,
ada: 350.000 tweet dikirim di Twitter, 694.000 video dilihat di TikTok, 4,2 juta
pencarian Google, 3,47 juta video YouTube dilihat. Ada 218 miliar unduhan aplikasi
seluler di semua platform pada tahun 2020 (Statista, 2021). Selain itu, adanya
explosion dalam belanja online dan user-generated content melalui TikTok, YouTube,
dan Instagram selama beberapa tahun terakhir.

Big data mempunyai skala, keragaman, dan kompleksitas yang memerlukan

arsitektur, algoritma, dan analitik tertentu untuk mengekstrak nilai darinya. Terdapat 3
karakteristik dari Big Data, yaitu 3V: velocity (kecepatan), volume, dan variety.
Beberapa sumber mendefinisikannya sebagai 5V, termasuk veracity (kebenaran) dan
value.

Untuk mendapatkan value data yang dibutuhkan diperlukan analisis data untuk
menyaringnya. Data science dapat membantu analis agar dapat bekerja lebih efektif
untuk menghasilkan informasi baru yang tepat waktu, menjelajahi kumpulan data
yang benar-benar baru dengan cara baru, mengubah pemodelan simulasi, dan lain
sebagainya dengan tujuan untuk meningkatkan kuantitas dan kualitas bukti yang
diperlukan untuk membuat kebijakan yang lebih baik, memperkuat komunitas, dan
meningkatkan kehidupan masyarakat.

Selain penggunaan Big Data, data science juga menggunakan penerapan alat
yang disebut machine learning. Machine learning bersifat interdisipliner dan
menggunakan teknik dari bidang ilmu komputer, statistik, dan artificial intelligence.
Komponen utama machine learning adalah algoritma yang dapat belajar secara
otomatis dari pengalaman untuk memperbaiki kinerjanya. Algoritma ini dapat
diterapkan di berbagai bidang. Alat selanjutnya adalah data mining. Data mining
adalah penerapan algoritma khusus untuk mengekstraksi pola pada sebuah kumpulan
data. Data mining berhubungan erat dengan machine learning. Data mining adalah
sebuah proses yang menggunakan algoritma machine learning untuk mengekstrak
pola-pola informatif yang disimpan dalam kumpulan data.
 Alat berikutnya adalah deep learning. Deep learning adalah istilah yang relatif
baru yang sedang banyak dibicarakan belakangan ini. Deep learning adalah proses
penerapan teknologi deep neural network. Deep neural network adalah arsitektur
jaringan saraf dengan beberapa lapisan tersembunyi untuk memecahkan masalah. Alat
terakhir untuk data science adalah artificial intelligence. Artificial intelligence atau
biasa disebut AI adalah bidang ilmu komputer yang menekankan pada penciptaan
mesin cerdas yang bekerja dan bereaksi seperti manusia. Komponen inti dari artificial
intelligence adalah pemrograman komputer untuk sifat-sifat tertentu seperti
pengetahuan, penalaran, pemecahan masalah, persepsi, pembelajaran, perencanaan,
dan lain sebagainya.

Diperlukan big data analytics untuk dapat melihat value dari data yang ada,
dan ini dapat digunakan untuk mengembangkan bisnis. Data sangat bisa membantu
bisnis untuk melakukan hal yang luar biasa seperti memahami customer,
meningkatkan kampanye bisnis, mempersonalisasikan promosi, dan meningkatkan
pendapatan, serta membangun bisnis yang sustainable. Data yang digunakan dapat
berupa perilaku customer dalam menggunakan layanan, seperti contohnya adalah
preferensi sosial medianya. Seperti yang sudah disebutkan sebelumnya, jutaan data
diunggah di sosial media tiap menitnya. Dengan data-data itu dapat ditemukan pola
yang akhirnya dapat mengidentifikasi karakteristik seorang user. Karakteristik itu
berupa apa ketertarikan dan kebutuhan yang mungkin dibutuhkan oleh user. Dengan
data-data personalisasi user, promosi bisnis dapat lebih tepat sasaran dan tentunya
akan menguntungkan.

Pemanfaatan data dalam menentukan keberhasilan peningkatkan layanan

perbankan sangatlah efektif, salah satunya pemberian kredit kepada customer bank,
menentukan credit approval memerlukan sistem yang akan digunakan untuk
menjalankan proses pengajuan kredit serta didukung dengan kercermatan dalam
memilah calon nasabah kredit yang baik sehingga dapat meminimalisir terjadinya
kredit macet yang tidak dinginkan (Sari Dewi, 2019 : 1).
 Pemanfaatan data mining dilakukan untuk memprediksi tingkat uji kelayakan
approval credit calon nasabah kredit bank dari produk layanan perbankan, sehingga
dapat diketahui apakah calon nasabah yang bersangkutan merupakan nasabah yang
berpotensi menjadi nasabah kredit yang produktif.
 KESIMPULAN

Data merupakan tambang emas di masa ini. Pemanfaatan data di era ini sangat
menunjang kinerja berbagai sektor bisnis terutama dalam menilai perilaku
customernya sehingga dapat lebih tepat sasaran dalam melakukan promosi. Selain itu
di bidang perbankan, data science juga membantu bank dalam menentukan sasaran
kredit yang tepat dan juga membantu menentukan credit approval. Dengan
berkembangnya big data, sumber analisis pun menjadi lebih majemuk sehingga dapat
membantu data scientist menemukan pemecahan masalah yang akurat.
 DAFTAR PUSTAKA

Ozdemir, S (2016). Principles of data science., books.google.com,

https://books.google.com/books?hl=en&lr=&id=9NDcDgAAQBAJ&oi=fnd&pg
=PP1&dq=data+science+bank&ots=eVZxA4gVYe&sig=0yvAOLMheWCeCR1
_nxcKlcpCRnI

Rumata, V. M. (2016). Peluang dan tantangan big data dalam penelitian ilmu sosial:
Sebuah kajian literatur. Puslitbang APTIKA-IKP, 13.

Donoho, D (2017). 50 years of data science. Journal of Computational and Graphical

Statistics, Taylor & Francis, https://doi.org/10.1080/10618600.2017.1384734

Torrecilla, J. L., & Romo, J. (2018). Data learning from big data. Statistics and
Probability Letters, 136, 15–19. https://doi.org/10.1016/j.spl.2018.02.038

Dewi, S. (2019). Komparasi Metode Algoritma Data Mining pada Prediksi Uji
Kelayakan Credit Approval pada Calon Nasabah Kredit Perbankan. Jurnal
Khatulistiwa Informatika, 7(1), 59–65. https://doi.org/10.31294/jki.v7i1.5744

Aditya, M. A., Mulyana, R. D., Eka, I. P., & Widianto, S. R. (2020). Penggabungan
Teknologi Untuk Analisa Data Berbasis Data Science. Seminar Nasional
Teknologi Komputer & Sains (SAINTEKS), 1(1), 51–56.

Tungadi, A. L., Liem, S. M., Vincentsius, R., Informasi, & Sombala, M. (2020).
Pemanfaatan Data Science Dan Teknologi Lbs Dalam, 2020(Semnasif), 28–32.

Sari, I. P. (2021). Implementasi Data Science dalam Ritel Online: Analisis Customer
Retention dan Clustering Customer dengan Metode K-Means. J-SAKTI (Jurnal
Sains Komputer Dan Informatika), 5(1), 417–425.

Nosratabadi, S., Mosavi, A., Duan, P., Ghamisi, P., Filip, F., Band, S. S., … Gandomi,
A. H. (2020). Data science in economics: Comprehensive review of advanced
machine learning and deep learning methods. Mathematics, 8(10), 1–25.
https://doi.org/10.3390/math8101799
Stodden, V. (2020). The data science life cycle. Communications of the ACM, 63(7),
58–66. https://doi.org/10.1145/3360646

James, G. M. (2018). Statistics within business in the era of big data. Statistics and
Probability Letters, 136, 155–159. https://doi.org/10.1016/j.spl.2018.02.034

Sangalli, L. M. (2018). The role of Statistics in the era of Big Data. Statistics and
Probability Letters, 136, 1–3. https://doi.org/10.1016/j.spl.2018.04.009

Reid, N. (2018). Statistical science in the world of big data. Statistics and Probability
Letters, 136, 42–45. https://doi.org/10.1016/j.spl.2018.02.049

Gupta, S., Mateu, J., Degbelo, A., & Pebesma, E. (2018). Quality of life, big data and
the power of statistics. Statistics and Probability Letters, 136, 101–104.
https://doi.org/10.1016/j.spl.2018.02.030

Chung, M. K. (2018). Statistical challenges of big brain network data. Statistics and
Probability Letters, 136, 78–82. https://doi.org/10.1016/j.spl.2018.02.020

Bartolucci, F., Bacci, S., & Mira, A. (2018). On the role of latent variable models in
the era of big data. Statistics and Probability Letters, 136, 165–169.
https://doi.org/10.1016/j.spl.2018.02.023

Ceri, S. (2018). On the role of statistics in the era of big data: A computer science
perspective. Statistics and Probability Letters, 136, 68–72.
https://doi.org/10.1016/j.spl.2018.02.019

Dryden, I. L., & Hodge, D. J. (2018). Journeys in big data statistics. Statistics and
Probability Letters, 136, 121–125. https://doi.org/10.1016/j.spl.2018.02.013

Cox, D. R., Kartsonaki, C., & Keogh, R. H. (2018). Big data: Some statistical issues.
Statistics and Probability Letters, 136, 111–115.
https://doi.org/10.1016/j.spl.2018.02.015

Bowman, A. W. (2018). Big questions, informative data, excellent science. Statistics

and Probability Letters, 136, 34–36. https://doi.org/10.1016/j.spl.2018.02.017
Meng, X. L. (2018). Conducting highly principled data science: A statistician’s job
and joy. Statistics and Probability Letters, 136, 51–57.
https://doi.org/10.1016/j.spl.2018.02.053