scholarly journals Significance and Utility of Credit Card Company's Big Data and Deep Learning Neural Network Analysis

2017 ◽  
Vol 11 (3) ◽  
pp. 27-45
Author(s):  
윤종문
Author(s):  
Thomas T.F. Huang ◽  
Thomas Kosasa ◽  
Brienne Walker ◽  
Christina Arnett ◽  
Christopher T.F. Huang ◽  
...  

Author(s):  
Antonios Konstantaras ◽  
Nikolaos S. Petrakis ◽  
Theofanis Frantzeskakis ◽  
Emmanouil Markoulakis ◽  
Katerina Kabassi ◽  
...  

Author(s):  
Reza Yogaswara

Artificial Intelligence (AI) atau kecerdasan buatan menjadi penggerak revolusi industri 4.0 yang menjanjikan banyak kemudahan bagi sektor pemerintah maupun industri. Internet of Things (IoT) dan big data contohnya dimana AI dapat diimplementasikan, teknologi yang telah banyak diadopsi di era industri 4.0 ini mampu menghubungkan setiap perangkat, seseorang dapat mengotomatisasi semua perangkat tanpa harus berada di lokasi, lebih dari itu, saat ini telah banyak mesin yang dapat menginterprestasi suatu kondisi atau kejadian tertentu dengan bantuan AI, sebagaimana telah kamera cerdas pendeteksi kepadatan volume kendaraan di jalan raya menggunakan teknologi Deep Learning Neural Network, yang telah diimplementasikan pada beberapa Pemerintah Daerah Kabupaten dan Kota dalam mendukung program Smart City yang telah dicanangkan. Pada sektor industri, banyak juga dari mereka yang telah mengotomatisasi mesin produksi dan manufaktur menggunakan robot dan Artificial Intelligence, sehingga Industri 4.0 akan meningkatkan daya saing melalui perangkat cerdas, setiap entitas yang mampu menguasai teknologi ini disitulah keunggulan kompetitifnya (competitive advantage). Namun ditengah perkembangan industri 4.0 yang cukup masif pemerintah harus bergerak cepat dalam mengadopsi platform ini, jika tidak, mereka akan menurunkan efisiensi proses bisnis untuk menjaga stabilitas layanan publik. Oleh sebab itu diperlukan keilmuan dan pemahaman yang benar bagi pemerintah dalam menghadapai era Industri 4.0, dimana Chief Information Officer (CIO) dapat mengambil peranan penting dalam memberikan dukungan yang didasari atas keilmuan mereka terkait tren teknologi industri 4.0, khususnya AI yang telah banyak diadopsi di berbagai sektor.


2017 ◽  
Vol 22 (4) ◽  
pp. 270-275
Author(s):  
A. A. Gorbunov ◽  
◽  
E. A. Isaev ◽  
V. A. Samodurov ◽  
◽  
...  

Author(s):  
Antonios Konstantaras ◽  
Nikolaos S. Petrakis ◽  
Theofanis Frantzeskakis ◽  
Emmanouil Markoulakis ◽  
Katerina Kabassi ◽  
...  

2021 ◽  
Vol 7 (2) ◽  
pp. 130-135
Author(s):  
Sukri Syafrudin ◽  
Ranu Agastya Nugraha ◽  
Kartika Handayani ◽  
Safitri Linawati ◽  
Windu Gata

Penilaian risiko pada penentuan status pinjaman merupakan proses yang penting dalam usaha simpan pinjam. Prediksi dalam mengklasifikasikan apakah nasabah akan melunasi atau tidak akan menentukan pengambilan keputusan dan tindaklanjutnya yang berdampak pada kinerja entitas dalam menjalankan usahanya. Berbagai teknik dalam prediksi status pinjaman dengan machine learning diterapkan dengan hasil yang meningkat dalam akurasi dan performance. Metode Deep Learning Neural Network (DNN) merupakan salah satu metode machine learning yang sekarang ini memiliki peran penting di era big data dimana data yang besar, dengan kemampuan mesin yang mumpuni dan kompleksitas pada suatu fitur mampu ditangani oleh DNN. Penelitian ini memvariasikan beberapa arsitektur dan parameter dalam pembangunan model DNN dengan score yang terbaik. Pengujian terhadap dataset bank loan status dengan metode DNN menghasilkan akurasi 82.27% tidak lebih baik dari metode SVM dengan hasil akurasi 84%. Namun metode DNN masih lebih baik dibandingkan dengan metode lainnya. Karena penggunaan variasi arsitektur dan parameter DNN tidak berpengaruh signifikan dalam menghasilkan score terbaik. Data yang diproses benar-benar diperlukan pemrosesan lebih lanjut sebelum dilakukan pemodelan.


Sign in / Sign up

Export Citation Format

Share Document