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.
