Dewasa ini para pelaku bisnis
dituntut untuk memiliki suatu ide berinovasi dalam mengatasi persaingan antar
pelaku bisnis yang semakin kompetitif untuk memasuki dan mempertahankan pasar.
Sudah sewajarnya dalam pelaku bisnis akan mengalami tumbuh dan berkembang,
namun adapula yang gulung tikar. Karena itu dibutuhkan suatu keputusan bisnis
yang implementasinya berupa perencanaan strategis dan sistematis yang bertujuan
untuk membentuk dan menyempurnakan usaha yang dilakukan dalam melaksanakan
kegiatan bisnis. Selain itu, ledakan eksponensial dalam data baik dari segi
kuantitas maupun penggunaanya telah terjadi dalam kurun waktu 20–30 tahun
terakhir dalam berbagai bidang khususnya dalam bidang bisnis. Ledakan
pertumbuhan data ini diimbangi oleh kemajuan teknologi komputer dan
perkembangan teknologi internet. Andil dari internet tidak hanya dalamakumulasi
data saja tetapi memungkinkan bagi kita dengan mudah mendapatkan datasecara
cepat dan akurat. Metodologi tradisional tidak dapat menangani data dalam
jumlah besar untuk menganalisis, meringkas dan mengekstraksi pengetahuan. Data
mining merupakan respon untuk permasalahan ini. Data mining merujuk pada
analisis data dalam jumlah besar yang tersimpan di komputer. Data mining yang
mencakup analisis kecerdasan buatan dan/atau analisis statistik mengandung
semangat knowledge discovery. Dalam hal ini penemuan pengetahuan
direpresentasikan dalam perangkat grafis dan identifikasi pola-pola yang
tidakdiduga sebelumnya. Data dapat terpublikasi dan dibagi atau hanya kalangan
tertentu yang dapat mengakses data tersebut. Banyak perdebatan yang terjadi
seperti data personal yang bisa dikases oleh social media seperti percakapan
antar orang dan privasi tersebut dapat digunakan oleh komersial. Perencaanaan strategis tak lepas
dengan konsep statistika yang merupakan ilmu atau metodologi yang memiliki
filosofi berpikir berkaitan dengan analisis, interpretasi, dan penyajian data
sebagai bahan pengambilan keputusan. Dalam kegiatan bisnis, penerapan
statistical thinking atau berpikir secara statistik menjadi sangat penting bagi
pengambil keputusan (Decision Maker) termasuk bagi pelaku manajemen untuk dapat
mengevaluasi sistem yang berjalan, dan dapat menyarankan atau merekomendasikan
kepada manajemen untuk melakukan perubahan maupun perbaikan sistem secara
berkelanjutan. Denganstatistical thinking dapat melihat gejala dan variasi yang
terjadi pada setiap proses dalam operasional bisnis dengan berdasarkan fakta
yakni adalah objek atau pengamatan yang ada dilapangan. Terdapat banyak sekali tools
yang bisa digunakan yang bersifat robust atau memiliki error yang sangat kecil
dan memiliki kemudahan dan efisien dalam interpretasi dan analisis salah
satunya adalah machine learning dan Data Mining. Perkembangan
Penggunaan Machine Learning dan Data Mining Banyak peneliti Indonesia yang
mengembangkan konsep machine learning dalam banyak kasus, salah satunya adalah
bisnis dan ekonomi. Sebagai penerapannya adalah menggunakan beberapa teknik
dalam melakukan analisis keuangan seperti pemodelan inflasi , kurs rupiah dan
lainnya. Saat ini masing-masing individu dan organisasi — bisnis, atau lembaga
dapat mengakses sejumlah besar data dan informasi tentang dirinya sendiri dan
lingkungannya. Data ini memiliki potensi untuk memprediksi evolusi variabel
yang menarik atau tren di lingkungan luar, tapi sejauh ini potensi yang belum
sepenuhnya dieksplorasi. Hal ini terutama berlaku di bidang bisnis. Ada dua
masalah utama. Informasi tersebar dalam arsip yang berbeda sistem yang tidak
terhubung dengan satu sama lain, dan menghasilkan sebuah informasi yang tidak
efisien dari data. Ada kurangnya kesadaran tentang alat statistik dan keguaan
tersebut potensial untuk elaborasi informasi mengganggu produksi dan distribusi
informasi dari data yang relevan sintesis. Dua perkembangan bisa membantu
mengatasi masalah ini. Pertama, perangkat lunak dan hardware terus menawarkan
lebih banyak kekuatan dengan biaya lebih rendah, memungkinkan organisasi untuk
mengumpulkan dan mengatur data dalam struktur yang memberikan akses yang lebih mudah
dan transfer. Kedua,penelitian metodologis, khususnya di bidang komputasi dan
statistik, baru-baru ini memiliki pengembangan prosedur yang fleksibel dan
scalable yang dapat digunakan untuk menganalisis big data. Dua perkembangan ini
berarti data yang digali (mining) dengan cepat menyebar melalui banyak bisnis
sebagai intelijen penting alat untuk back up keputusan bisnis. Untuk memahami
istilah ‘data mining’ hal ini berguna untuk melihat terjemahan harfiah kata:
pengertian dari kata “tambang/galian” dalam bahasa Inggris berarti untuk
mengekstrak. Kata kerja biasanya mengacu pada pertambangan operasi yang ekstrak
dari Bumi tersembunyi, sumber daya yang berharga. Asosiasi kata ini dengan
menunjukkan pencarian mendalam untuk menemukan tambahan Informasi yang
sebelumnya dalam massa data yang tersedia. Dari sudut pandang penelitian
ilmiah, data mining adalah disiplin yang relatif baru yang telah dikembangkan
terutama dari studi yang dilakukan dalam disiplin lain seperti komputasi,
pemasaran, dan statistik. Banyak metodologi yang digunakan dalam data mining
berasal dari dua cabang penelitian, yang dikembangkan dalam pembelajaran
machine learning dan lainnya yang berkembang di masyarakat statistik, khususnya
di multivariat dan statistik komputasi. Machine learning terhubung ke ilmu
komputer dan kecerdasan buatan dan berkaitan dengan menemukan hubungan dan
keteraturan dalam data yang dapat diterjemahkan menjadi kebenaran umum. Tujuan
dari machine learning adalah reproduksi, proses data menghasilkan dan memungkinkan
analis untuk menggeneralisasi dari data diamati baru atau kasus teramati.
Rosenblatt (1962) memperkenalkan model pertama dalam machine learning yang
disebut perceptron. Jaringan saraf (neural network) dikembangkan di paruh kedua
tahun 1980-an. Selama periode yang sama, beberapa peneliti menyempurnakan teori
pohon keputusan (decision tree) yang digunakan terutama untuk menangani masalah
klasifikasi. Applikasi statistik selalu tentang membuat model untuk
menganalisis data,dan sekarang ada kemungkinan menggunakan komputer untuk
melakukannya. Pada tahun 1980-an, mengingat pentingnya peningkatan metode
komputasi sebagai dasar untuk analisis statistik, ada juga pembangunan paralel
dari statistik metode untuk menganalisis aplikasi real multivariat e. Pada
1990-an statistik mulai menunjukkan minat dalam metode machine learning juga,
yang menyebabkan penting perkembangan dalam metodologi. Implementasi dari
Metode Data mining dapat
dijadikan priortias utama dalam analisis. Effort utama adalah mengumpulkan
data,membersihkan (cleaning) dan organize dengan banyak teknik dan malukan
intepretasi dan mendapatkan informasi yang terkandung. Banyak sekali teknik
yang dapat digunakan seperti decision tree sebuah teknik dalam data mining
untuk klasifikasi, regresi untuk mengukur dan mengetahui hubungan antara
variabel atau masalah, klaster untuk mengelompokkan data yang memiliki
karakteristik yang sama,association rule mining atau juga disebut basket
analysis yang digunakan pada industry retail untuk melihat asosiasi dari data dan
paling utama adalah melakukan visualisasi dari data untuk melihat kesimpulan
dri permasalahan. Banyak sekali ribuan kemungkinan yang mampu digunakan pada
data mining dan melakukan analisis prediktif. Seperti 1. Fraud detection : Fraud detection selalu sigunakan
dalam aspek industry keuangan. Namun tidak sampai hanya disana. Ide awal dari
deteksi aktifitas fraud adalah terlaku banyak transaksi yang terjadi dengan
menggunakan metode dari analisis prediktif tersebut. Selain itu mampu melakukan
dteksi error dari model yang memiliki permasalahan yang normal maupun fraud dan
menggunakan model tersebut pada transaksi yang baru untuk melihat apakah fraud
tersebut terjadi di segmen yang berbeda 2. Churn Prevention: Asumsi pada industry
asuransi keuangan memiliki kontrak polis terhadap konsumen baru. Industry
asuransi berharap bisa menjalin hubungan yang lama dengan pemegang polis..
namun, beberapa pemegan polis memiliki banyak alasan untuk melakukan pemutusan
kontrak tersebut. Oleh karena itu data mining mampu digunkana sebagai toolsagar
pada konsumen selanjutnya tidak terjadi dan mampu melakukan evaluasi dari
produk asuransi. Ide dasar dari churn prevention adalah melakukan prediktif
model berdasarkan banyak kemungkinan yang terjadi. Selain bidanng industry
keuangan. Churn prevention juga bisa diterapkan pada industry retail,
e-commerece atau telekomunikasi 3. Sentiment Analisis : sentiment analisis tidak
semuanya selalu berhubungan terhadap industry keuangan. Sentimentanalisis dapat
digunakan untuk telekomunikasi, kesehatan dan masih banyak lagi. Ide sederhana
dari teknik ini adalah menghubungkan jutaan online sources dari website,
mengumpulkan komentar dari sebuah produk atau brand perusahaan. Melakukan
analisis dengan konsep text mining dn melakukan evaluasi apakah konsumen
menyukai produk tersebut atau tidak. 4. Trading analytics : apabila seorang trader ,
melakukan investasi pada portofolio atau kebijakan atau kesepakatan bisnis.
Untuk menghitung tingkat kesuksesan pada keputusan yang akan dambil dapat
menggunakan analisis prediktif. Pada umumnya, diharapkan mampu menganalisis
permasalahan yang potensial dengan melihat pasar atau aspek pasar tersebut
dengan melihat kejadian pasar. Banyak analisis melakukan kombinasi metode
tradisional time serirs dengan algoritma hybrid atau juga sentiment analysis 5. Risk management : contoh lainnya pada industry
keuangan dan dapat dilakukan di banyak industry. Khususnya pada supply chain
management. Sebagai contoh analisis manufaktur atau logistic transportasi. Data
miing dan analisis prediktif dapat digunakan untuk menyelesaikan banyak masalah
yang berhubungan kepada risk management . termasuk deteksi error dan quantitas
untuk review atau internal audit. Melakukan deteksi fraud, identifikasi
supplier dengan banyak kemungkinan gagal, perhitungan pembayaran, dan credit
scoring.
6. Quality assurance : Applikasi
lainnya pada prediksi kualitas dari sebuah process sebelum proses tersebut
selesai. Model yang prediktif digunakan untuk mendeskripsikan model yang
digunakan pada proses dan melakukan kombinasi terhadap sensor data untuk
mendeskripsikan status terbaru dari sebuah produk yang diproduksi berhubungan
kepada deteksi anomaly dan kenapa sebuah produk yang diproduksi secara sama
memiliki kualitas yang berbeda. |