Penerapan Data Mining di Bidang Perbankan

Data Mining merupakan teknologi baru yang berguna untuk membantu perusahaan-perusahaan menemukan informasi yang penting dari gudang data mereka. Data Mining dapat memprediksi tren dan sifat-sifat perilaku bisnis yang berguna untuk mendukung pengambilan keputusan penting. Analisis terotomatisasi yang dilakukan oleh data mining melebihi sistem pendukung keputusan tradisional yang sudah banyak digunakan. 

Perkembangan data mining yang pesat tidak lepas dari perkembangan teknologi informasi yang memungkinkan data terakumulasi dalam jumlah besar. Sebagai contoh, toko swalayan akan merekam setiap penjualan barang dengan memakai alat POS (Point of Sales). Database data penjualan tersebut bisa mencapai beberapa GB setiap harinya untuk sebuah jaringan toko swalayan berskala nasional. Perkembangan internet juga punya andil cukup besar dalam akumulasi data.

Selain perusahaan-perusahaan yang menjual produk Data Mining juga diterapkan diberbagai bidang yaitu pendidikan, kesehatan, manufaktur, dan juga keuangan/ perbangkan. 

Di bidang perbankan Data Mining dapat berkontribusi untuk memecahkan masalah bisnis dan keuangan dengan menemukan pola, sebab-akibat, serta korelasi dalam informasi bisnis dan harga pasar yang tidak segera terlihat oleh manajer karena data volume terlalu besar atau dihasilkan terlalu cepat untuk disaring oleh para ahli. Para manajer dapat menemukan informasi ini untuk segmentasi, penargetan, perolehan, penahanan, dan pemeliharaan pelanggan yang lebih baik.

Penerapan Data Mining yang sering dilakukan di bidang perbankan adalah untuk memprediksi kriteria nasabah kredit.  Contoh kasusnya adalah pada sebuah bank memiliki masalah memprediksi kelayakan kredit dari klien baru berdasarkan data historis dari klien masa lalu. Sebuah bank memiliki data tentang klien kepada siapa itu memberi kredit di masa lalu. 

Data klien berisi data pribadi, data yang menjelaskan status keuangan dan perilaku keuangan sebelum dan pada saat itu klien diberi kredit. Klien dibagi menjadi empat kelas. Kelas pertama berisi semua klien-klien yang dibayar kembali kredit tanpa masalah. 

Kelas kedua mereka yang dibayar kembali dengan masalah kecil di sana-sini. Kelas ketiga berisi mereka yang hanya harus mendapatkan kredit setelah pemeriksaan rinci karena masalah besar payback terjadi di masa lalu, dan kelas keempat terdiri dari mereka yang tidak membayar sama sekali. 

Menggunakan tabel data, model prediksi dibuat untuk memprediksi probabilitas setiap kelas untuk klien baru. Kombinasi atribut yang bertanggung jawab untuk klien yang memiliki probabilitas tinggi tidak membayar kembali akan diidentifikasi oleh model prediksi juga.

Penerapan lainnya juga dapat dilakukan untuk memprediksi kelayakan kredit pada suatu bank. Data Mining meningkatkan sistem analisa kredit untuk penentuan kelayakan pemberian kredit bagi calon debitur yang akan mengajukan kredit pada bank. 

Metode yang digunakan adalah dengan penggunaan algoritma C4.5 serta mengoptimalkan dan menganalisa atribut faktor usaha sebagai parameter untuk penentuan kelayakan kredit, diantaranya: jenis usaha, status tempat usaha, lama usaha, sistem penjualan, sistem pembelian, fasilitas dan kolek nasabah. Sehingga dengan adanya Data Mining dapat meningkatkan keakuratan analisa kredit menjadi lebih optimal.

Oleh karena itu, menurut saya Data Mining dapat membantu bank untuk lebih baik memprediksi pemberian kredit pada pelanggan. Hal ini juga memungkinkan untuk menawarkan kondisi yang lebih baik kepada pelanggan lain dengan risiko lebih rendah . Data Mining dapat juga diaplikasikan untuk memprediksi kelayakan kredit serta mendeteksi pola penyalahgunaan kartu kredit dan mengidentifikasi tingkat loyalitas dari para pelanggan.