biasanya pihak bank akan bisa melakukan identifikasi terhadap kondisi nasabah dengan lebih mudah. Hal inilah yang merupakan salah satu dari tujuan
mengetahui profil nasabah sehingga tidak perlu dipertanyakan lagi bahwa profil memang mempunyai peran sangat penting. Dengan data nasabah yang
lengkap, maka pastinya proses pendataan juga akan semakin mudah. Bahkan pihak bank pun harus lebih meneliti setiap nasabah yang masuk terutama jika
mereka menghendaki untuk mengajukan kredit. Banyak kasus yang terjadi di bank adalah adanya non performing loan atau kredit macet. Itulah sebabnya
pihak bank harus lebih teliti sebelum mengabulkan permohonan kredit. Dari latar belakang tersebut, penulis tertarik untuk menerapkan
algoritma Fuzzy C-Means clusteringpada data nasabah bankdengan cara membagi data menjadi kelompok
– kelompok yang dapat membantu kegiatan perbankan terlebih dalam melihat profil nasabah ketika nasabah baru ingin
melakukan kredit berdasarkan data nasabah bank, serta dapat digunakan sebagai media dan acuan untuk dapat dimanfaatkan secara optimal terutama
dalam kegiatan perbankan pada umumnya dengan menggunakan algoritma Fuzzy C-Means clustering.
1.2. Rumusan Masalah
Berdasarkan uraian dari latar belakang masalah, dapat dirumuskan sebuah permasalahan yaitu :
1. Bagaimana menerapkan Fuzzy C-Means clustering untuk melihat
profil data nasabah bank? 2.
Apakah penerapan algoritma Fuzzy C-Means clustering dapat dipergunakan pada data profil nasabah bank dengan memberikan
validalitas yang baik?
1.3. Batasan Masalah
Penyusunan tugas akhir ini dibatasi oleh beberapa hal, sebagai berikut : 1.
Metode yang digunakan dalam penelitian ini adalah metode clustering algoritma Fuzzy C-Means clustering.
2. Data uji yang digunakan adalah data nasabah bank BPR.
3. Atribut
– atribut clusteringnya berupa jumlah pinjaman, angsuran, dan jangka waktu pinjaman.
4. Atribut dari data berupa jumlah pinjaman, angsuran, agunan, nilai
agunan, jangka waktu pinjaman, tunggakan pokok dan tunggakan bunga. 5.
Aplikasi dibuat menggunakan pemograman Java berbasisdekstop.
1.4. Tujuan dan Manfaat
1. Tujuan
dari penelitian
ini adalah
membantu, mendesain,
mengimplementasikan algoritma Fuzzy C-Means clustering untuk mengelompokkan nasabah bank berdasarkan profil dari nasabah bank yang
akan melakukan kredit dengan atribut – atribut yang diperolehdari data
nasabah bankBPR dengan menggunakan algoritma Fuzzy C-Means clustering.
2. Manfaat dari penelitian ini adalah memberikan gambaran tentang langkah
– langkah implementasi algoritma Fuzzy C-Means clustering dalam menghasilkan pengelompokan profil nasabah bank berdasarkan atribut dari
data nasabah bank serta menjadi referensi bagi penelitian yang berkaitan dengan clustering nasabah bank yang lebih lanjut lagi.
1.5. Metodologi Penelitian
Metode yang digunakan untuk merancang sistem dan menyelesaikan permasalahan adalah dengan cara sebagai berikut :
1. Survei Awal
Dilakukan survei awal dengan mengunjungi sebuah Bank Perkreditan Rakyat di DIY untuk mengadakan wawancara untuk
memperoleh data mengenai hal – hal yang berhubungan dengan
sistem aplikasi yang akan dibuat. 2.
Studi Pustaka Metode ini digunakan untuk mencari dan mempelajari informasi
– informasi serta cara kerja yang berkaitan dengan algoritma Fuzzy C-
Means. PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
3. Pengembangan Aplikasi
Pada tahap ini penulis menggunakan metode Knowledge Discovery in Database KDD yang ditulis oleh Jiawei Han, Micheline Kamber
dan Jian Pei. Adapun metode KDD mempunyai tahapan – tahapan
sebagai berikut : a.
Data Cleaning Pada tahap ini merupakan proses dimana data yang tidak
dibutuhkan atau pengganggu noise dan data yang tidak konsisten akan dihapus.
b. Data integration
Pada tahap ini merupakan proses dimana bermacam – macam
data dari berbagai sumber akan digabungkan menjadi satu kesatuan.
c. Data Selection
Pada tahap ini merupakan proses dimana untuk melakukan analisis, data relevan akan diperoleh dari database.
d. Data Transformation
Pada tahap ini merupakan proses dimana data diubah transformasi atau digabungkan sehingga menjadi tepat
untuk ditambang dengan misalnya melakukan operasi penjumlahan atau penggabungan.
e. Data Mining
Pada tahap ini merupakan proses pokok dimana metode cerdas dilaksanakan untuk menggali pola dari data.
f. Pattern Evaluation
Pada tahap ini merupakan proses identifikasi pola yang sungguh menarik menampilkan basis pengetahuan dalam
suatu ukuran ketertarikan dengan menggunakan uji evaluasi Silhouette Index.
g. Knowledge Presentation
Pada tahap ini merupakan proses dimana teknik menampilkan suatu
gambaran dan
pengetahuan digunakan
untuk PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
menampilkan hasil tambang dari pengetahuan kepada pengguna.
4. Analisis Hasil
Pada tahap ini dilakukan validasi terhadap hasil pengujian sistem aplikasi terhadap hasil perhitungan manual yang dilakukan dengan
Microsoft Excel dan pembahasan uji kualitas clusterSilhouette Index SI.
1.6. Sistematika Penulisan