konsisten. Dalam penelitian ini dilakukan pengisian missing value
. 3. Transformasi Data Data Transformation
Proses transformasi pada data yang sudah diseleksi ke dalam bentuk yang sesuai untuk ditambang.
4. Penambangan Data Data Mining Proses mengaplikasikan metode untuk mendapatkan pola pada
suatu kumpulan data. Dalam penelitian ini, metode yang digunakan adalah metode analisis outlier dengan menggunakan
algoritma ECODB. 5. Evaluasi Pola Pattern Evaluation
Proses penerjemahan
pola-pola yang
dihasilkan dari
penambangan data. Tahap ini merupakan bagian dari proses KDD yang mencakup pemeriksaan apakah pola atau informasi
yang ditemukan bertentangan dengan fakta atau hipotesa yang ada sebelumnya.
G. Sistematika Penulisan
Secara umum dalam menyelesaikan penelitian ini, disusun suatu sistematika sebagai berikut :
BAB I : PENDAHULUAN
Berisi latar belakang masalah, rumusan masalah, tujuan penelitian,
batasan masalah,
manfaat penelitian,
metodologi penelitian dan sistematika penulisan.
BAB II : LANDASAN TEORI
Berisi teori - teori yang mendukung penelitian, antara lain mengenai penambangan data, outlier dan algoritma
Enhanced Class Outlier Distance Based ECODB.
BAB III : METODE PENELITIAN
Berisi penjelasan mengenai langkah atau metode yang dilakukan untuk menyelesaikan masalah dalam
penelitian ini.
BAB IV : HASIL DAN PEMBAHASAN
Berisi penjelasan tentang hasil analisa yang diperoleh dari penelitian. Pada bab ini, akan dijabarkan secara lengkap
proses perhitungan menggunakan Microsoft Excel, hasil deteksi outlier yang didapat, hasil analisa algoritma
ECODB yang diterapkan ke dalam data debitur dan hasil pengujian review dan validitas outlier oleh petugas bank
BPR XYZ. BAB VII : PENUTUP
Berisi kesimpulan dan saran yang bermanfaat bagi pengembangan penelitian ini lebih lanjut.
7
BAB II LANDASAN TEORI
A. Penambangan Data
1. Pengertian dan Fungsi Penambangan Data
Menurut Santosa 2007 “penambangan data adalah kegiatan yang meliputi pengumpulan, pemakaian data historis untuk menemukan
keteraturan, pola atau hubungan dalam set data berukuran besar. Keluaran dari penambangan data bisa dipakai untuk memperbaiki
pengambilan keputusan di masa depan”. Tool penambangan data mampu memprediksi tren dan perilaku sehingga mampu membuat perusahaan
semakin proaktif dan memperkaya pengetahuan atau informasi dalam membuat keputusan Lee S dan Santana, 2010.
Menurut Lee S dan Santana 2010, fungsi penambangan data yang digunakan untuk keperluan implementatif mencakup :
a. Mendeteksi pola kecurangan bertransaksi, klaim kartu kredit, dll.
b. Memodelkan pola dan perilaku pembelikonsumen. c. Mengoptimasi performansi produk barang atau jasa.
d. Mendeteksi kejadian pada perilaku, seperti menelusuri riwayat aktivitas yang unik atau tidak wajar.
