Usulan Penggunaan Metode-Metode dalam Data Mining untuk Manajemen Risiko Bank Komersil di Indonesia

Abstract

Ada delapan (8) risiko yang di kelola dalam peraturan Bank Indonesia tentang pengelolaan resiko, yakni: risiko kredit, risiko pasar, risiko operasional, risiko likuiditas, risiko kepatuhan, risiko hukum, risiko strategi dan risiko reputasi. Dari hasil telaah terhadap literatur yang ada serta model yang diusulkan terlihat bahwa metode SVM dan Naive Bayes untuk analisis risiko kredit dianggap tepat karena metode ini memiliki kinerja yang lebih baik ketika bekerja dengan fitur-fitur multi dimensional dan berkelanjutan. Metode K-Means diiusulkan untuk menganalisis risiko pasar karena metode  ini dianggap mampu menangani data multi dimensial yang besar dan sangat tergantung kepada parameter input. Metode Bayesian Markov Chain Monte Carlo (MCMC) direkomendasi  khusus untuk menajemen risiko operasional terutama masalah kehilangan data baik data  yang juga dikombinasi dengan opini dari pakar. Penggunaan metode Multi Classes Suport Vector Machines untuk risiko likuiditas karena metode ini mampu mengurangi jumlah indeks, menurunkan kompleksitas analisis saat mengelola risiko keuangan yang sumber datanya biasanya bersifat statistik, mampu meningkatkan efisiensi dan ketepatan prediksi. Untuk risiko hukum, risiko kepatuhan, risiko reputasi dan risiko stratejik penulis mengusulkan metode decision tree untuk mengelola ketiga risiko tersebut dengan data mining. Alasannya adalah bahwa decision tree memiliki profil operasional yang sederhana dan cocok dengan mekanisme struktur analisis risiko hukum.