Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Persaingan dalam dunia bisnis khususnya perbankan yang semakin ketat membuat para pelakunya harus selalu memikirkan strategi-strategi terobosan yang dapat menjamin keberlangsungan bisnis mereka. Kepuasan pelanggan merupakan salah satu faktor yang sangat perlu diperhatikan untuk mengikat pelanggan agar tetap setia pada produk atau layanan yang ditawarkan. Salah satu aset utama yang dimiliki oleh perusahaan perbankan dewasa ini adalah data transaksi bisnis dalam jumlah yang sangat besar. Hal ini menciptakan sebuah kebutuhan akan adanya teknologi yang dapat memanfaatkannya untuk menggali pengetahuan-pengetahuan baru, yang dapat membantu dalam perencanaan strategi bisnis di masa depan. Dalam hal tersebut teknologi data mining hadir sebagai sebuah solusi yang dapat diterapkan. Dalam tulisan ini akan dibahas implementasi data mining untuk menemukan model berupa association rules yang bisa diinterpretasikan menjadi pengetahuan baru mengenai karakteristik beberapa obyek layanan perbankan Bank XYZ. Pengetahuan baru tersebut nantinya bisa digunakan sebagai bahan analisis untuk menentukan rencana strategis ke depan khususnya dalam rangka meningkatkan kinerja layanan sehingga pelanggan tetap setia terhadap produk dan layanan Bank XYZ. ......The tighter competition in banking industry motivates the actors to always think of new strategies to ensure their business sustainability. Customer satisfaction must be maintained to make customers remain loyal to the offered products or services. One of the main assets of banking organization or corporate is a large number of business transaction data. This creates a need of new technologies to mine new knowledges, which can assist management in making future business strategy plans. Data mining technology is one applicable solution. This thesis describes the implementation of data mining in order to find association rules model which can be further interpreted as new knowledges on banking service characteristic of Bank XYZ. The new knowledges will be useful to determine strategic plans in the future, especially in increasing the performance of products or services. They finally can make the customers loyal to products or services of Bank XYZ.

Abstrak :
Menghadapi persaingan antar bank yang sangat tinggi dan adanya keputusan pemerintah yang semakin ketat mengenai keberadaan bank khususnya bank berskala nasional saat ini, menuntut setiap bank mampu unggul dalam bersaing atau minimal mampu bertahan. Kegiatan penghimpunan dana pihak ketiga (funding) merupakan satu dari tiga kegiatan utama perbankan. Semakin besar dana yang dapat terhimpun menunjukkan baiknya kinerja bank tersebut. Besaran hasil penghimpunan dana pihak ketiga ini menjadikan indikator tingkat kepercayaan masyarakat/nasabah terhadap bank. Menempatkan kepercayaan dan tingkat loyalitas nasabah sangat dibutuhkan oleh pihak bank. Teknologi On-Line Analytical Processing (OLAP) dan data mining diyakini mampu mencari pengetahuan untuk melakukan identifikasi tingkat loyalitas nasabah terhadap produk funding perbankan. Berdasarkan hasil penelitian diperoleh pengetahuan bahwa produk funding tabungan x rupiah berpotensi cukup baik, dan nasabah yang memiliki tingkat loyalitas tinggi adalah nasabah yang mempunyai rata-rata saldo bulanan dengan membentuk pola yang tetap stabil dalam waktu tujuh sampai sepuluh bulan. Tersedianya kebutuhan informasi dan data ini, mendasari dalam mendukung sistem pengambil kebijakan baik penyusunan perencanaan dan keputusan strategi perbankan. Sehingga pihak bank mampu menentukan strategi perbankan khususnya funding dalam persaingan ketat yang dihadapi.

---

Facing a very high competition between banks and with the government tight regulations on national bank existences, it demands all the existing bank to be able to strive in the competition or in the minimum it has to be able to survive. One of the three main activities in banking includes funding. The more funds we could gather will also indicate a good performance of the bank. The result from this funding will become the level indicator for customer towards the bank. The placement of customer trust and loyalty is greatly needed by the bank. On-Line Analytical Processing (OLAP) and data mining technology is believed to be able to identify the customer loyalty level towards the bank`s funding product. Based on the research conducted, we had gather information that funding product for X rupiah savings has good potential, and the highest loyalty customers are those customers who have a stable monthly average balance in the period of 7 to 10 months. The availability of these data and information will become the foundation in supporting the system in making decision, with this; the bank will be able to choose a suitable banking strategy especially in funding.

Abstrak :
ABSTRACT
Financial distress merupakan kondisi kesulitan keuangan yang pada umumnya dialami oleh perusahaan sebelum perusahaan tersebut dapat dinyatakan bangkrut. Dengan menggunakan laporan keuangan, kondisi tersebut pada dasarnya dapat diprediksi. Prediksi dari financial distress sangat berguna bagi manajemen perusahaan untuk melakukan tindakan korektif dalam antisipasinya menghadapi kebangkrutan. Model prediksi dari financial distress sendiri telah berkembang dari penggunaan statistik tradisional hingga artificial intelligence atau machine learning. Penelitian ini bertujuan untuk menganalisis model prediksi financial distress dengan menerapkan machine learning dan membandingkan tiga algoritma dari data mining yaitu decision tree, support vector machine, dan artificial neural network. Sampel dalam penelitian ini menggunakan 115 perusahaan distressed dan 115 perusahaan non-distressed yang aktif di Bursa Efek Indonesia selama periode 2011 hingga 2016 yang diteliti untuk dua tahun yaitu l-t dan t-1. Dalam penelitian ini, dari sebanyak 29 rasio keuangan akan dipilih rasio yang paling sesuai dengan menggunakan feature selection. Hasil dari penelitian menunjukkan bahwa algoritma decision tree dengan tingkat akurasi sebesar 86,37 untuk tahun l-t dan decision tree dengan tingkat akurasi sebesar 88,98 untuk tahun l t-1 memiliki tingkat akurasi yang paling tinggi dalam mengantisipasi financial distress di Indonesia.

---

ABSTRACT
Financial distress is a condition of financial difficulties that generally a firm would have first go through before the company can be declared bankrupt. By using financial statements, this condition basically could be predicted. Prediction of financial distress is very useful as it could help firms rsquo management to take corrective actions in anticipation of bankruptcy. The predictive model of financial distress itself has evolved from the use of traditional statistics to artificial intelligence or machine learning. This study aims to analyze financial distress prediction model by applying machine learning and comparing three algorithms from data mining namely decision tree, support vector machine, and artificial neural network. The sample in this study used 115 distressed companies and 115 non distressed companies active on the Indonesia Stock Exchange during the period 2011 to 2016 studied for two years ie t and t-1 . In this research, from 29 financial ratios will be selected the most appropriate ratios by using feature selection. The result of this research shows that decision tree algorithm with 86.37 accuracy for year t and decision tree with accuracy of 88.98 for year t-1 has the highest accuracy in anticipating financial distress in Indonesia.

Abstrak :
ABSTRAK
High Utility Itemset Mining HUIM mendapat banyak perhatian dalam penelitian ndash; penelitian tentang Knowledge Discovery in Databases. Sebagai perluasan dari Frequent Itemset Mining FIM dan Association Rule Mining ARM , HUIM mempertimbangkan faktor jumlah dan tingkat kepentingan barang dalam data transaksi untuk menemukan kelompok barang berutilitas tinggi High Utility Itemsets, HUIs . Walaupun HUIM umumnya diterapkan pada aktivitas penjualan, HUIM telah dikembangkan untuk berbagai penelitian dan aplikasi seperti investasi saham, biomedis, sistem rekomendasi, dan lainnya. Dalam implementasi HUIM, satu tantangan yang ditekankan di banyak penelitian adalah sifat eksponensial ruang pencarian HUIs yang menyebabkan tingginya waktu eksekusi dan penggunaan memori. Berbagai metode telah diusulkan untuk mengatasi tantangan tersebut termasuk penggunaan metode metaheuristik dalam implementasi HUIM. Dalam penelitian ini, algoritma HUIM-DBHS diusulkan sebagai pendekatan metaheuristik untuk menemukan HUIs dalam data transaksi. Algoritma dimulai dengan proses identifikasi 1-HTWUIs untuk mengeliminasi barang berutilitas rendah dan memangkas ruang pencarian HUIs. Algoritma kemudian mengaplikasikan proses pencarian HUIs berdasarkan mekanisme-mekanisme Discrete Binary Harmony Search DBHS yang termasuk harmony memory consideration, pitch adjustment, dan random adjustment. Hasil studi eksperimen menunjukan bahwa HUIM-DBHS berkinerja lebih baik dibandingkan metode metaheuristik terdahulu dalam HUIM.

---

ABSTRACT
As an extension of Association Rule Mining ARM , High Utility Itemsets Mining HUIM considers items quantity and importance factors in transactional database to find High Utility Itemsets HUIs . In HUIM implementation, one of the challenges emphasized in many studies is the exponential nature of the HUIs search space that lead to high execution time and memory usage. Various methods have been proposed to address these challenges including metaheuristic methods usage in HUIM implementation. In this research, HUIM DBHS algorithm is proposed as a metaheuristic method to mine HUIs in transactional database. The algorithm is initiated with 1 HTWUIs identification process to eliminate low utility items and prune HUIs searching space. The algorithm then applies HUIs searching process based on Discrete Binary Harmony Search DBHS mechanisms which include harmony memory consideration, pitch adjustment, and random adjustment. The experimental study results show that HUIM DBHS performs better compared to earlier metaheuristic method in HUIM.