56
Pengembangan Data dan Visualisasi Credit Scoring pada PT. Menara Indonesia, Musfirotul A’yun, Universitas Multimedia Nusantara
untuk membuat data pekerjaan spesifik. Pada gambar 3.38 sampai 3.40 merupakan hasil dari looping secara random menggunakan python.
Gambar 3. 38 Input Elememt Pekerjaan Spesifik
Gambar 3. 39 Hasil Input Pekerjaan Spesifik
Gambar 3. 40 Hasil Looping Pekerjaan Spesifik
57
Pengembangan Data dan Visualisasi Credit Scoring pada PT. Menara Indonesia, Musfirotul A’yun, Universitas Multimedia Nusantara
dibuat ketika variabel yang dibutuhkan tidak tersedia sehingga akan digunakan untuk melengkapi isi dari variabel data tersebut. Dalam melakukan pengujian perangkat lunak dan pembuatan dashboard serta report untuk AI Credit Scoring ini masih memiliki beberapa data yang kurang sehingga membutuhkan dummy data. Sehingga dalam melakukan visualisasi, presentasi, dan melihat statistik suatu data dapat dilakukan menjadi lebih mudah karena data tersebut sudah dibuat melalui data yang memiliki karakteristik data yang asli meskipun bukan data yang sebenarnya. Ketika membuat dummy data akan menggunakan python dan library yang digunakan Faker untuk menghasilkan dummy data.
Gambar 3. 41 Library dan perhitungan nilai random variabel credit
Pada gambar 3.41 merupakan library yang digunakan dalam melakukan tugas ketika membuat dummy data untuk fitur AI Character scoring. Library yang digunakan yaitu terdapat pandas, random, math dan juga faker. Dari library tersebut akan menghasilkan angka untuk dimasukkan ke dalam variabel score, masih memiliki nilai yang cenderung sedikit sehingga dibuatlah dummy data agar hasil visualisasi memiliki hasil yang lebih baik. Rentang nilai yang diambil dalam melakukan dummy data untuk score ini yaitu minimal 40 dan maksimal 99. Didalam fitur AI Character Scoring merupakan penggabungan dari 3 fitur yang tersedia yaitu terdapat fitur AI Credit Need & Purpose, AI Digital Footprint dan AI Character Analysis. Masing - masing fitur tersebut akan dibuat dummy data untuk nilai atau score dummy. Pada nilai AI Credit
58
Pengembangan Data dan Visualisasi Credit Scoring pada PT. Menara Indonesia, Musfirotul A’yun, Universitas Multimedia Nusantara
Need & Purpose terdapat pada gambar 3.41, AI Digital Footprint gambar 3.42 dan AI Character Analysis gambar 3.43.
Gambar 3. 42 perhitungan nilai random variabel digital
Gambar 3. 43 perhitungan nilai random variable character
Gambar 3. 44 Perhitungan hasil 3 fitur untuk AI Character Scoring
Setelah ketiga fitur tersebut sudah ditambahkan data dummy pada variabel score maka akan dilakukan perhitungan rata - rata dijelaskan pada gambar 3.44 sehingga dapat menghasilkan score secara menyeluruh untuk fitur AI Character Scoring. Dari hasil 3 fitur tersebut akan muncul nilai yang akan dijadikan bilangan bulat lalu dapat dilihat pada gambar 3.45 selanjutnya dibuat
59
Pengembangan Data dan Visualisasi Credit Scoring pada PT. Menara Indonesia, Musfirotul A’yun, Universitas Multimedia Nusantara
menjadi dataframe sehingga semua data yang tadi sudah diolah dapat menjadi satu seperti pada gambar 3.46.
Gambar 3. 45 Pembulatan hasil
Gambar 3. 46 Data frame untuk AI Character Scoring
Gambar 3. 47 Data tanggal dan NIK
Data yang sudah menjadi satu sesuai dengan kebutuhan beserta variabel score memiliki angka yang memenuhi akan dilakukan merge seperti yang ditunjukkan pada gambar 3.48 dengan data tanggal dan NIK yang sudah dimiliki sebelumnya ditampilkan pada gambar 3.47. Maka akan menghasilkan data utuh terisi dan memiliki komponen yang memenuhi sesuai dengan kebutuhan. Sehingga data tersebut menjadi lengkap dan siap untuk dilakukan visualisasi data dan dilakukan analisis.
60
Pengembangan Data dan Visualisasi Credit Scoring pada PT. Menara Indonesia, Musfirotul A’yun, Universitas Multimedia Nusantara
Gambar 3. 48 Penggabungan data untuk AI Character Scoring
Gambar 3. 49 Library dan perhitungan nilai random variabel document
Library yang digunakan yaitu terdapat pandas, random, math dan juga faker. Dari library tersebut akan menghasilkan angka untuk dimasukkan ke dalam variabel score, hal ini dilakukan karena variable score masih memiliki nilai yang cenderung sedikit sehingga dibuatlah dummy data agar hasil visualisasi memiliki hasil yang lebih baik. Rentang nilai yang diambil dalam melakukan dummy data untuk score ini yaitu minimal 40 dan maksimal 99.
Didalam fitur AI Identity Scoring merupakan penggabungan dari 3 fitur yang tersedia yaitu terdapat fitur AI Document Verification, AI Location and Movement, dan AI Digital Footprint Scoring. Masing - masing fitur tersebut akan dibuat dummy data untuk nilai atau score dummy. Pada nilai AI Document Verification terdapat pada gambar 3.49, AI Location and Movement gambar 3.50 dan AI Digital Footprint Scoring gambar 3.51.
61
Pengembangan Data dan Visualisasi Credit Scoring pada PT. Menara Indonesia, Musfirotul A’yun, Universitas Multimedia Nusantara
Gambar 3. 50 Perhitungan nilai random variabel location
Gambar 3. 51 Perhitungan nilai random variabel digital
Gambar 3. 52 Penggabungan 3 fitur untuk AI Identity Scoring
Setelah ketiga fitur tersebut sudah ditambahkan data dummy pada variabel score maka akan dilakukan perhitungan rata - rata dijelaskan pada gambar 3.52 sehingga dapat menghasilkan score secara menyeluruh untuk fitur AI Identity Scoring. Dari hasil 3 fitur tersebut akan muncul nilai yang akan dijadikan bilangan bulat lalu dapat dilihat pada gambar 3.53 selanjutnya dibuat menjadi dataframe sehingga semua data yang tadi sudah diolah dapat menjadi satu seperti pada gambar 3.54.
62
Pengembangan Data dan Visualisasi Credit Scoring pada PT. Menara Indonesia, Musfirotul A’yun, Universitas Multimedia Nusantara
Gambar 3. 53 Pembulatan angka
Gambar 3. 54 Data Frame AI Identity Scoring
Gambar 3. 55 Penggabungan tanggal, NIK dan data AI Identity Scoring
Data yang sudah menjadi satu sesuai dengan kebutuhan beserta variabel score memiliki angka yang memenuhi akan dilakukan merge dengan data tanggal dan NIK yang sudah dimiliki sebelumnya ditampilkan pada gambar 3.55. Maka akan menghasilkan data utuh terisi dan memiliki komponen yang
63
Pengembangan Data dan Visualisasi Credit Scoring pada PT. Menara Indonesia, Musfirotul A’yun, Universitas Multimedia Nusantara
memenuhi sesuai dengan kebutuhan. Sehingga data tersebut menjadi lengkap dan siap untuk dilakukan visualisasi data dan dilakukan analisis.