MAKALAH

Information System And Business Inteligence

Penerapan Data Mining dalam Konteks Ekonomi

Nama Kelompok :
1. Dwi Renawati ( 30402100086 )
2. Sisca Deswita Puasari ( 30402100317 )
3. Zessy Nurafnir Rahma ( 30402100265 )
4. Faisal Gilang Ramadhan ( 30402100099 )
5. Satria Riza Gimnastiar ( 30402100232 )
Penerapan Data Mining dalam Konteks Ekonomi
Kalau kita membahas tentang Data Mining, tentulah kita harus mengetahui terlebih dahulu
definisi dari Data Mining. Secara umum Data Mining terbagi atas 2 (dua) kata berikut :
1. Data yaitu Kumpulan Fakta yang terekam atau sebuah entitas yang tidak memiliki arti dan
selama ini terabaikan.
2. Mining yaitu proses Penambangan sehingga, Data Mining itu dapat diartikan sebagai
proses penambangan data yang menghasilkan sebuah ouput (keluaran) berupa pengetahuan.
Jadi Data Mining disebut sebuah proses pencarian secara otomatis informasi yang berguna
dalam tempat penyimpanan data berukuran besar yang akan menjadi relevan dalam konteks
ekonomi karena dapat membantu dalam pengambilan keputusan, perencanaan, dan strategi
bisnis.
Data mining atau penambangan data, telah banyak diterapkan dalam konteks ekonomi untuk
menggali informasi berharga dari sejumlah besar data. Penerapan data mining dalam ekonomi
mencakup berbagai aspek, seperti analisis keuangan, identifikasi pola pertumbuhan antar
sektor ekonomi, dan prediksi transaksi nasabah pada lembaga keuangan. Contoh
penerapannya termasuk pemodelan inflasi, kurs mata uang, analisis sektor ekonomi, dan
identifikasi pola pertumbuhan. Dalam konteks ini, data mining merupakan bagian dari proses
Knowledge Discovery in Databases (KDD) yang menggunakan metode saintifik untuk
menghasilkan informasi yang berguna dalam pengambilan keputusan ekonomi. Penerapan
data mining dalam ekonomi dapat membantu dalam pengambilan keputusan, perencanaan,
dan strategi bisnis.
Jenis-Jenis Tugas Data Mining yang Dapat Diterapkan dalam Analisis Ekonomi
Beberapa jenis tugas data mining yang dapat diterapkan dalam analisis ekonomi antara lain:
1. Klasifikasi: mengelompokkan data ke dalam kategori atau kelas tertentu berdasarkan
atribut yang diberikan.
Contohnya, mengklasifikasikan nasabah bank berdasarkan risiko kredit.
2. Regresi: memprediksi nilai numerik berdasarkan variabel independen.
Contohnya, memprediksi harga saham berdasarkan faktor-faktor ekonomi.
3. Klastering: mengelompokkan data ke dalam kelompok-kelompok yang serupa
berdasarkan kesamaan atribut.
Contohnya, mengelompokkan negara-negara berdasarkan karakteristik ekonomi.
4. Asosiasi: menemukan hubungan antara item-item dalam data.
Contohnya, menemukan hubungan antara produk yang dibeli bersamaan dalam sebuah
toko.
Dengan menerapkan tugas-tugas tersebut, Data Mining dapat membantu para analis ekonomi
dan pengambil keputusan untuk memahami dan meramalkan perubahan dalam ekonomi, serta
mengidentifikasi peluang atau risiko yang mungkin terjadi.
Penerapan Data Mining dalam ekonomi menyediakan banyak manfaat positif dalam
pengambilan keputusan ekonomi.
Penerapan Data Mining dalam pengambilan keputusan ekonomi dapat memberikan
kontribusi positif dengan mengidentifikasi pola atau tren yang sulit ditemukan secara manual.
Sebagai contoh, dalam sektor e-commerce, analisis Data Mining dapat membantu
mengoptimalkan strategi pemasaran dengan mengidentifikasi preferensi pelanggan, pola
pembelian, dan rekomendasi produk yang lebih akurat. Dengan menggali data historis
transaksi dan perilaku pelanggan, perusahaan dapat membuat model prediktif untuk
mengantisipasi kebutuhan pelanggan, mengoptimalkan harga, dan meningkatkan retensi
pelanggan. Hasilnya adalah peningkatan efisiensi operasional dan peningkatan pendapatan.
Berikut adalah beberapa manfaat terkait penerapan Data Mining dalam ekonomi:
1. Mengoptimalkan proses bisnis
Data mining membantu mengidentifikasi pola dan tren dalam data, yang dapat membantu
mengoptimalkan proses bisnis dan strategi perusahaan. Hal ini dapat mengakibatkan
peningkatan efisiensi dan efektivitas dalam pengelolaan bisnis.
2. Memprediksi permintaan
Data mining dapat digunakan untuk memprediksi permintaan produk atau jasa,
membantu mengalokasikan sumber daya dan meminimalkan risiko kehabisan.
3. Mengidentifikasi peluang investasi
Analisis data mining dapat membantu mengidentifikasi peluang investasi yang mungkin
belum diperhatikan sebelumnya, sehingga memungkinkan pengambilan keputusan
investasi yang lebih baik.
4. Mengurangi ketergantungan subjekif
Data mining memungkinkan kita mengurangi ketergantungan subjekif dalam
pengambilan keputusan, dengan membantu mengidentifikasi faktor-faktor objektif yang
mempengaruhi permintaan dan kesediaan pasar.
5. Meningkatkan pengadilan keuangan
Penerapan data mining dalam analisis keuangan, seperti pemodelan inflasi dan kurs mata
uang, dapat membantu mengidentifikasi pola dan tren yang mungkin mempengaruhi
pengadilan keuangan.
Sebagai contoh, penelitian yang menggunakan metode K-means clustering untuk
mengelompokkan profitabilitas suku bunga investasi di Indonesia menunjukkan bahwa
penerapan data mining dalam menentukan klasifikasi penerima beras raskin ini dapat
digunakan untuk meningkatkan minat investor terhadap investasi di Indonesia. Selain itu,
penerapan data mining dalam analisis keuangan seperti pemodelan inflasi, kurs rupiah, dan
lainnya juga dapat membantu mengidentifikasi pola dan tren yang mungkin mempengaruhi
pengadilan keuangan.
Studi kasus nyata di mana Data Mining telah berhasil diterapkan dalam konteks
ekonomi.

1. Studi kasus nyata penerapan Data Mining dalam konteks ekonomi adalah
"Implementasi Data Mining sebagai Informasi Strategis Penjualan Batik (Studi Kasus
Batik Mahkota Laweyan)"

Dalam studi kasus ini, metode data mining Decision Tree dengan algoritma penentuan
digunakan untuk menggali informasi strategis dari data warehouse Batik Mahkota
Laweyan. Variabel yang dicari informasi strategisnya adalah nama kategori batik
berdasarkan variabel nama. Penerapan data mining dalam hal ini membantu dalam
mengoptimalkan strategi penjualan batik dengan memberikan wawasan yang tidak
terduga mengenai preferensi konsumen terhadap kategori-kategori batik tertentu.

2. Studi kasus lainnya adalah "Implementasi Data Mining menggunakan Algoritma

Apriori dalam Menentukan Persediaan Barang (Studi Kasus: Toko Sinar Harahap)"

Dalam studi kasus ini, penerapan data mining dengan algoritma Apriori membantu
dalam menentukan persediaan barang secara lebih efisien. Teknik data mining ini
membantu mengoptimalkan hasil dengan mengidentifikasi pola pembelian barang
yang saling terkait, sehingga toko dapat mengelola persediaan barangnya dengan
lebih tepat dan efisien.

Dari kedua studi kasus tersebut, dapat dilihat bahwa teknik data mining spesifik seperti
Decision Tree dan algoritma Apriori telah memberikan kontribusi positif dalam
mengoptimalkan hasil dan memberikan wawasan yang tidak terduga dalam konteks ekonomi.

Hal ini menunjukkan bahwa penerapan data mining dapat memberikan manfaat nyata dalam
pengambilan keputusan ekonomi dengan mengidentifikasi pola, tren, dan hubungan yang
tidak selalu terlihat secara langsung.

Tantangan dan Etika dalam Penerapan Data Mining dalam Konteks Ekonomi

Dalam penerapan data mining dalam konteks ekonomi, beberapa tantangan yang mungkin
dihadapi meliputi:

1. Keterbatasan dan kualitas data

Data yang tersedia mungkin tidak lengkap, tidak akurat, atau tidak sepenuhnya, sehingga
dapat menyebabkan hasil yang tidak akurat atau tidak valid.

2. Menemukan pola yang signifikan

Memastikan bahwa pola yang diidentifikasi sebenarnya pola yang signifikan dan tidak
hanya pola yang menarik.
3. Privasi dan kebijakan pribadi
Penggunaan data mining dalam konteks ekonomi mungkin menyebabkan isu privasi dan
kebijakan pribadi, karena data mungkin mencakup informasi pribadi yang perlu
dilindungi.

4. Overfitting atau underfitting

Algoritma yang salah dapat menghasilkan hasil yang salah, sementara overfitting
mengakibatkan model yang terlalu kompleks dan mudah terganggu, sedangkan
underfitting mengakibatkan model yang terlalu sederhana dan tidak mencakup pola yang
ada dalam data.

Untuk mengatasi tantangan-tantangan ini, beberapa langkah yang dapat diambil meliputi:

• Melakukan pembersihan data (data cleansing) terlebih dahulu sebelum melakukan

analisis, termasuk menghapus data yang tidak valid, menormalisasi data, dan
menangani nilai yang hilang.
• Menggunakan teknik validasi data, seperti cross-validation, untuk menguji keandalan
model dan menghindari overfitting atau underfitting.
• Memastikan bahwa algoritma yang digunakan sesuai dengan karakteristik data dan
pertanyaan yang ingin dijawabkan.
• Menghormati privasi dan kebijakan pribadi, serta memastikan bahwa data yang
digunakan memiliki kualitas yang baik dengan melakukan verifikasi data.

Keputusan Analisis Data Mining dalam konteks ekonomi menghadapi tantangan kualitas
data, ukuran data yang besar, keterbatasan sumber daya, kesulitan interpretasi hasil, dan
masalah keamanan. Secara etis, perhatian harus difokuskan pada privasi, menghindari bias
dalam data dan algoritma, menjaga transparansi, mempertimbangkan dampak sosial, dan
mengemban tanggung jawab atas implikasi keputusan ekonomi.
 Refrensi

https://pustaka.ut.ac.id/lib/wp-content/uploads/pdfmk/MSIM4403-M1.pdf

https://datascience.or.id/article/Data-Mining-Untuk-Permasalahan-Bisnis-dan-Keuangan-
5a8fa6e6

https://sistem-informasi-s1.stekom.ac.id/informasi/baca/Data-Mining-dan-Masalah-
Keuangan/5ed7aac0d527e4d9b5eec30b8770c8aca326e277

https://elibrary.bsi.ac.id/readbook/202155/pengantar-data-mining-menggali-pengetahuan-
dari-bongkahan-data

https://media.neliti.com/media/publications/370742-none-83500935.pdf

http://repository.ubharajaya.ac.id/6318/1/modul%20fix%20%285%29.pdf

http://eprints.binadarma.ac.id/13350/1/FullBook%20Data%20Mining_compressed.pdf

https://sistem-informasi-s1.stekom.ac.id/informasi/baca/Data-Mining-dan-Masalah-
Keuangan/5ed7aac0d527e4d9b5eec30b8770c8aca326e277