Pengembangan Data dan Visualisasi Credit Scoring pada PT. Menara Indonesia

(1)

19

Pengembangan Data dan Visualisasi Credit Scoring pada PT. Menara Indonesia, Musfirotul A’yun, Universitas Multimedia Nusantara

BAB III

PELAKSANAAN KERJA MAGANG

3.1 Kedudukan dan Koordinasi

Gambar 3. 1 Stuktur Kedudukan Divisi Data Integration

Pada gambar 3.1 diatas merupakan struktur kedudukan kerja magang divisi Data Integration Analyst dari mulai supervisor dan pemagang. Dalam bagan ini menjelaskan penempatan untuk posisi Data Integration Analyst dibawah pengawasan supervisor Bunaiya. Bersama dengan mentor Data Integration Analyst dibimbing oleh Muhammad Bahrudin Saputra dan asisten mentor Riyanti Maulya Ridwan. Untuk pelaporan kinerja dan output kerja saat magang akan di pantau oleh Project Manager Officer dengan Syafiqah Nur Azzizah.

Dari sini bekerja sama dengan divisi lainnya contohnya Quality Assurance, AI

& Data Science, Cyber Security dan lain - lain untuk dapat mengerjakan projek secara maksimal sesuai posisinya masing - masing.

(2)

20

Divisi Data Integration Analyst memiliki tugas untuk melakukan riset, proses hingga membuat hasil report yang sudah beserta dengan visualisasi data yang dicari untuk produk PT. Menara Indonesia yang sedang melakukan pengembangan dan dijalani. Projek yang dijalan ini bekerja sama dengan divisi lain dan saling berkaitan satu sama lain. Dari Data Integration Analyst bersama divisi tech lainnya akan melengkapi untuk pemenuh kebutuhan projek.

Membuat riset untuk kebutuhan report dan analisa projek diberi waktu 1 - 2 minggu. Lalu membuat dataset dengan melakukan pencarian data diberikan tengat waktu. Untuk pembuatan dataset ini akan bekerja sama dengan divisi AI

& Data Science dalam melakukan pengolahan data dan pencarian variabel yang tepat.

Membuat visualisasi untuk report bekerjasama dengan divisi UI/UX dan Front End untuk mendiskusikan bentuk tampilan seperti apa yang sesuai dengan kebutuhan user sehingga tampilan website dan aplikasi tepat seperti apa yang diinginkan. Melakukan kerja sama dengan divisi Quality Assurance untuk melakukan pengecekan website apakah sudah sesuai atau masih kurang sehingga dapat melakukan evaluasi dan revisi dari segi tampilan dan experience. Untuk pengecekan website dan aplikasi akan dibuat sebagai sudut pandang user sehingga dapat mempertimbangkan kenyamanan user ketika mengakses. Apabila sudah selesaikan akan membuat buku panduan untuk produk yangs sudah siap untuk diberikan kepada client agar mudah untuk mengerti cara penggunaan dari produk tersebut.

3.2 Tugas dan Uraian Kerja Magang 3.2.1 Tugas Kerja Magang

Pada kegiatan kerja magang yang dilakukan di PT. Menara Indonesia untuk posisi Data Integration Analyst akan melakukan tugas yang dikerjakan untuk menjalankan project dari produk yang dikembangkan dan sedang dijalani oleh PT. Menara Indonesia beberapa tugas utama yang dilakukan oleh anggota tim divisi Data Integration Analyst ada sebagai berikut :

(3)

21

1. Membuat visualisasi untuk penunjang proses project yang dibuat pada PT. Menara Indonesia untuk Kampus Gratis dan Credit Scoring.

2. Membuat dashboard dan report untuk kebutuhan setiap fitur pada project credit scoring.

3. Membuat dummy data untuk menjalankan algoritma dan sistem serta kebutuhan penunjang dashboard, data visualisasi, report, pengisi variabel untuk fitur credit scoring dan pemenuhan data yang dibutuhkan oleh divisi IT yang lain seperti Backend Developer, AI, App Developer dan lainnya.

4. Project yang sudah dibuat tersebut akan membuat data dan variabel harus diintegrasikan sehingga dapat terurut dan melakukan proses sistem lebih baik.

5. Mempelajari setiap materi yang akan menunjang pengerjaan project sehingga harus mendalami pemahaman dari masing - masing kebutuhan sistem seperti :

a. Memperdalam mengenai Tableau untuk pembuatan visualisasi yang lebih baik.

b. Mempelajari mengenai Extract, Transform, Load (ETL) menggunakan Pentaho.

c. Memperdalam pemahaman mengenai bahasa pemrograman Python untuk mengerjakan codingan pada data ketika melakukan analisis.

Menyelesaikan tugas - tugas tersebut dalam jangka waktu 16 Februari 2023 hingga 30 Juni 2023. Selama tugas berlangsung berikut rincian tugas kerja magang selama masa periode berlangsung seperti pada tabel 3.1.

Tabel 3. 1 Kegiatan Kerja Magang

No Kegiatan Mulai Selesai

1. On boarding

(4)

22

Pengenalan struktur organisasi perusahaan, mentor dan asisten mentor

16/02/2023 16/02/2023 2. Pembuatan SWOT dan WBS

Membuat SWOT dari masing – masing individu 16/02/2023 17/02/2023 Brainstorming bersama mentor dan membuat WBS

untuk divisi

17/02/2023 17/02/2023 3. Riset data kaum marjinal JABODETABEK

Melakukan riset data mengenai usia produktif di JABODETABEK

20/02/2023 20/02/2023 Melakukan riset data Tangerang, Tangerang Selatan

dan Jakarta

21/02/2023 21/02/2023 Melakukan riset data Kabupaten Tangerang dan

Bekasi

21/02/2023 22/02/2023 4. Visualisasi kaum marjinal JABODETABEK

Membuat visualiasi data kaum marjinal Tangerang Selatan menggunakan Tableau

22/02/2023 22/02/2023 Membuat visualisasi data kaum marjinal Bogor

menggunakan Tableau

22/02/2023 22/02/2023 Membuat visualisasi data kaum marjinal Depok

menggunakan Tableau

23/02/2023 23/02/2023 Membuat visualisasi data kaum marjinal Tangerang

menggunakan Tableau

24/02/2023 24/02/2023 5. Mempelajari ETL

Mempelajari dan memahami tentang ETL menggunakan Pentaho

24/02/2023 27/02/2023 6. Cleaning dan parshing dengan Python

Melakukan cleaning data menggunakan Python pada JupyterNotebook

28/02/2023 01/03/2023 Melakukan parshing data menggunakan Python pada

JupyterNotebook

01/03/2023 03/03/2023 7. Data manipulation dan Looping dengan Python

Melakukan teknik manipulation pada data dengan menggunakan Python

03/03/2023 03/03/2023 8. SOP divisi Data Integration Analyst

Membuat Standar Operasional Prosedur (SOP) untuk divisi Data Integration Analyst

07/03/2023 08/03/2023 9. Composite data structure dengan python

Mempelajari dan melakukan composite data structure dengan menggunakan python

09/03/2023 10/03/2023 10. Analisa UI/UX dan Testing website Kampus Gratis

Melakukan analisa, revisi, dan memperbaiki prototype UI/UX pada website Kampus Gratis

13/03/2023 14/03/2023

(5)

23

Melakukan testing website Kampus Gratis 15/03/2023 16/03/2023 11. Guidebook website LMS

Membuat guidebook untuk website LMS 6/03/2023 15/03/2023 12. Pelatihan looping dengan python

Melakukan pembelajaran looping data menggunakan python

16/03/2023 16/03/2023 13. Riset gaji pekerjaan di Indonesia

Mencair pekerjaan berdasarkan KTP yang ada di Indonesia

16/03/2023 17/03/2023 Mencari pekerjaan spesifik yang ada di Indonesia 18/03/2023 20/03/2023 Melakukan riset gaji sesuai dengan masing – masing

pekerjaan di Indonesia

21/03/2023 22/03/2023 14. Looping pekerjaan dan gaji secara random

Melakukan looping dengan pekerjaan dan gaji yang terdapat di Indonesia hasil riset secara random.

22/03/2023 27/03/2023 15. Dummy data fitur AI Credit Scoring dengan Python

Membuat dummy data untuk visualisasi dashboard fitur AI Credit Scoring

27/03/2023 28/03/2023 Membuat dummy data untuk visualisasi dashboard

fitur AI Identity Scoring

fitur AI Capability Scoring

fitur AI Character Scoring

3/04/2023 4/04/2023 16. Pembuatan Dashboard

Membuat dashboard fitur AI Credit Scoring 4/04/2023 6/04/2023 Membuat dashboard fitur AI Identity Scoring 7/04/2023 10/04/2023 Membuat dashboard Fitur AI Character Scoring 11/04/2023 13/04/2023 17. Visualisasi report Credit Scoring dengan Python

Membuat visualisasi report fitur AI Character Analysis

13/04/2023 17/04/2023 Membuat visualisasi report fitur AI Digital Footprint 17/04/2023 19/04/2023 Membuat visualisasi report fitur AI Location

Movement

20/04/2023 21/04/2023 Membuat visualisasi report fitur AI Credit Scoring 24/04/2023 26/04/2023 Membuat visualisasi report fitur AI Constrait Risk 26/04/2023 28/04/2023 Membuat visualisasi report fitur AI Document

Verification

2/05/2023 3/05/2023 Membuat visualisasi report fitur AI Credit Need and

Purpose

4/05/2023 5/05/2023 18. Riset Variabel AI Collection Management

(6)

24

Melakukan riset variable untuk fitur Inputting Automation

8/05/2023 10/05/2023 19. Revisi dashboard

Riset dashboard sesuai target pasar 11/05/2023 12/05/2023 Membuat visualisasi dashboard fitur AI Identity

Scoring

15/05/2023 25/05/2023 Membuat visualisasi dashboard fitur AI Character

Scoring

26/05/2023 5/06/2023 20. Integrasi Data

Melakukan integrasi pada variabel AI Credit Scoring 6/06/2023 9/06/2023 21. Dummy Data Tambahan

Membuat dummy data untuk variabel yang belum lengkap oleh divisi AI and Data Science

12/06/2023 22/06/2023

3.2.2 Uraian Kerja Magang

3.2.2.1 Onboarding Mitra dan Pemerintah

Pada hari pertama masuk sesuai dengan ketentuan yaitu berbasis Work From Office (WFO) sehingga onboarding dengan perusahaan dilakukan secara offline atau tatap muka dengan para supervisor, mentor, asisten mentor, dan mahasiswa lainnya yang juga mengikuti magang dari semua divisi lainnya agar dapat lebih mengenal semua secara lebih baik sehingga dapat mempermudah dalam beradaptasi dengan dunia kerja. Lokasi onboarding dilakukan di kantor Cirendeu. Melakukan pengenalan dengan mitra perusahaan membahas secara detail mengenai mitra perusahaan bersama dengan pembicaranya yaitu pak Alam sebagai salah satu pemimpin pada PT. Menara Indonesia. Selanjutnya dilakukan pembukaan dan perkenalan mengenai perusahaan diurutkan dari pimpinan, supervisor yang bekerja untuk menangani peserta magang, mentor, sampai asisten mentor.

Setelah itu memulai pembahasan yang lebih mendalam yaitu membahas mengenai produk apa saja yang tersedia, jasa dan pelayanan apa yang akan terus dikembangkan sampai di launching oleh perusahaan. Selain itu juga dijelaskan bagaimana dengan alur bisnis prosesnya. Diberikan target - target dari masing - masing produk yang diluncurkan tersebut untuk di kembangkan

(7)

25

berkerja sama dengan divisi lain. Dari produk tersebut akan dijelaskan jobdesk untuk setiap divisi yang bekerja disana sehingga dapat menggembangkan sesuai dengan kemampuannya. Dilanjutkan oleh pimpinan lainnya sebagai pembicara yang akan menjelaskan pembagian divisi yang ada untuk para peserta magang yaitu dibagi menjadi departemen IT, non IT dan External.

Setiap mahasiswa akan diberi waktu selama 5 bulan untuk bekerja dari tanggal 16 februari 2023 sampai 30 Juni 2023. Selain itu juga melakukan onboarding yang diadakan oleh pemerintah melalui zoom, bersama - sama dengan divisi lainnya menghadiri acara tersebut.

3.2.2.2 Pembuatan SWOT dan WBS

Selanjutnya masing - masing dari divisi akan membuat SWOT pada gambar 3.2 berdasarkan kemampuan anggota agar mudah untuk melakukan pembagian tugas. SWOT merupakan singkatan dari strengths (kekuatan), weaknesses (kelemahan), opportunities (peluang), dan threats (ancaman). Masing - masing mahasiswa magang akan membuat SWOT sesuai dengan kemampuan dirinya, skill apa yang paling dikuasai, memiliki kelemahan di bagian apa dan lain - lain. Dari hasil tersebut akan digunakan sebagai pembagian tugas divisi sehingga dapat lebih merata sesuai dengan kemampuannya.

Tabel 3. 2 SWOT Tim Data Integration Analyst

Selanjutnya melakukan brainstorming bersama dengan mentor dan tim divisi untuk membuat Work Breakdown Structure (WBS) pada gambar 3.3.

WBS ini akan digunakan untuk membuat rencana kerja bersama dengan

(8)

26

mentor mengenai projek yang akan dikerjakan sehingga dapat lebih terinci.

Misalnya melakukan pekerjaan untuk beberapa minggu kedepan sehingga tugas yang diberikan lalu dikerjakan dapat teratur dan terencana. Hasil dari rencana kerja ini akan digunakan untuk seluruh tim divisi mengerjakan tugas.

Tabel 3. 3 WBS Data Integration Analyst

3.2.2.3 Riset kaum marjinal JABODETABEK

Pada produk Kampus Gratis yang dimiliki oleh perusahaan membutuhkan data - data dalam menemukan target pasar pengguna aplikasi sehingga memerlukan data tersebut. Untuk lingkup awal yang digunakan masih dengan wilayah JABODETABEK (Jakarta, Bogor, Depok, Tangerang, dan Bekasi) sebagai awal riset pasar pengenalan penggunaan dan penjelasan mengenai Kampus Gratis. Kaum marjinal yang menjadi target untuk user kampus gratis ini merupakan masyarakat yang berusia produktif rentang usia 17 – 35 tahun dan menganggur atau putus pendidikan, data yang digunakan yaitu wilayah JABODETABEK.. Remaja kaum marjinal memiliki pendidikan akhir pada tingkat apa, kebanyakan para remaja tersebut memiliki pekerjaan seperti apa dan lain - lain. Sehingga dapat diketahui pasar mengenai user Kampus Gratis yang di targetkan untuk para kaum marjinal yang tidak bisa melanjutkan bangku perkuliahan. Mengumpulkan data yang dibutuhkan untuk menunjang pelaporan report yang dibutuhkan dalam mengentahui target user untuk Kamps Gratis. Hasil riset yang akan ditampilkan yaitu data untuk wilayah Tangerang

(9)

27

Selatan, Depok dan Tangerang. Melakukan pencarian dari berbagai sumber seperti BPS dan website kota tersebut yang merupakan hasil riset tim.

Tabel 3. 4 Usia Produktif Tangerang Selatan

Pada table 3.4 merupakan informasi mengenai data Tangerang Selatan yang digunakan sebagai acuan untuk membuat visualisasi sesuai dengan target yaitu pada usia - usia produktif. Data yang ditampilkan diatas merupakan hasil dari pengumpulan data rentang usia 17 tahun sampai 25 tahun karena sesuai dengan tahun yang data yang lain yaitu tahun 2020. Dari usia tersebut dibagi lagi menjadi 2 jenis kelamin untuk mengetahui banyak pada usia tertentu yang memiliki jenis kelamin laki - laki. Dan pada usia produktif yang lainnya jenis kelamin perempuan diketahui berapa jumlahnya.

Tabel 3. 5 Pekerjaan Masyarakat Tangerang Selatan

Pada table 3.5 ini merupakan hasil data tahun 2020 untuk daerah Tangerang Selatan berdasarkan pekerjaan yang dimiliki sesuai dengan jenis kelamin lalu di jumlah kan total dari masing - masing pekerjaan. Data ini

(10)

28

digunakan untuk memvisualisasikan informasi mengenai pekerjaan yang terdapat di Tangerang Selatan serta banyak jumlah yang memiliki pekerjaan tersebut. Memberikan informasi berapa banyak orang yang tidak bekerja ataupun bekerja namun tidak mendapatkan bayaran.

Tabel 3. 6 Jenjang Pendidikan Masyarakat Tangerang Selatan

Tabel 3.6 merupakan data wilayah Tangerang Selatan yang akan sangat membantu untuk memvisualisasikan data mengenai kaum marjinal yang berada pada wilayah Tangerang Selatan. Dari data tersebut menunjukkan berapa banyak orang yang pengangguran dan seberapa banyak orang memiliki pendidikan terbatas. Data tersebut diambil tahun 2020 berisikan tentang banyak pengangguran dan pendidikan yang terdapat di wilayah Tangerang Selatan.

Tabel 3. 7 Usia Produktif Wilayah Depok

Pada tabel 3.7 merupakan informasi berdasarkan data wilayah Depok yang digunakan sebagai acuan untuk membuat visualisasi pada usia - usia

(11)

29

produktif. Data yang diambil pada tahun 2020 tersebut menunjukkan keseluruhan dari usia yang produktif dan tidak produktif. Usia produktif yang diambil yaitu rentang usia 15 tahun sampai 24 tahun. Sesuai dengan target user pengguna Kampus Gratis.

Tabel 3. 8 Angka Kemiskinan Wilayah Depok

Pada tabel 3.8 menunjukkan tingkat kemiskinan yang terdapat pada wilayah depok tahun 2018 dan 2020 namun untuk menyamaratakan seluruh data maka diambil pada tahun 2020. Dari data ini akan digunakan untuk mengetahui berapa besar tingkat kemiskinan yang terjadi pada wilayah Depok sehingga dapat memberikan informasi untuk laporan yang akan menjadi target user dari Kampus Gratis.

Tabel 3. 9 Pekerjaan Masyarakat Depok

Pada tabel 3.9 ini merupakan hasil data tahun 2020 untuk daerah Depok berdasarkan pekerjaan yang dimiliki sesuai dengan jenis kelamin lalu di jumlah kan total dari masing - masing pekerjaan. Digunakan untuk memvisualisasikan informasi mengenai pekerjaan di wilayah Depok beserta banyak jumlah yang memiliki pekerjaan tersebut. Memberikan informasi berapa banyak orang yang tidak bekerja ataupun bekerja namun tidak mendapatkan bayaran.

(12)

30

Tabel 3. 10 Usia Masyarakat Wilayah Tangerang

Pada tabel 3.10 merupakan informasi berdasarkan data wilayah Tangerang yang digunakan sebagai acuan untuk membuat visualisasi pada usia - usia produktif. Diambil pada tahun 2020 data tersebut menunjukkan keseluruhan dari usia masyarakat di kota Tangerang yang produktif dan tidak produktif. Usia produktif yang diambil yaitu rentang usia 15 tahun sampai 24 tahun. Sesuai dengan target user pengguna Kampus Gratis.

Tabel 3. 11 Jenjang Pendidikan Kota Tangerang

Tabel 3.11 mengenai data wilayah di kota Tangerang akan sangat membantu untuk memvisualisasikan data mengenai kaum marjinal yang berada pada wilayah Tangerang. Dari data ini menunjukkan berapa banyak orang yang pengangguran dan seberapa banyak orang memiliki pendidikan terbatas. Data tersebut diambil tahun 2020 berisikan tentang banyak pengangguran dan pendidikan yang terdapat di wilayah Tangerang.

(13)

31

Tabel 3. 12 Pekerjaan Wilayah Tangerang

Untuk menunjang perbandingan sehingga mencari lebih banyak data lagi yang dimiliki untuk menambahkan informasi yang diperkuat guna untuk membuat analisa semakin baik dalam laporan target user yang dibutuhkan pada Kampus Gratis berapa banyak yang sudah kerja, masih sekolah hingga bekerja mengurus rumah tangga.

3.2.2.4 Visualisasi kaum marjinal JABODETABEK

Setelah minggu pertama melakukan pengenalan dengan mitra serta pembagian tugas divisi dan anggota, di minggu kedua ini mentor dari divisi data integration analyst memberikan tugas untuk membuat visualisasi mengenai riset dari kampus gratis untuk mengetahui target audience yang akan dicapai sesuai.visualisasi yang pertama dilakukan untuk meriset Kampus Gratis dengan data kaum marjinal dari beberapa daerah. Visualisasi yang dilakukan menggunakan Tableau menggunakan data yang sudah dikumpulkan pada riset sebelumnya. Daerah yang didapatkan setelah melakukan pembagian tugas untuk dilakukan visualisasi yaitu daerah Tangerang Selatan, Depok dan daerah kota Tangerang.

(14)

32

Gambar 3. 2 Visualisasi Kaum Marjinal Tangerang Selatan

Dari gambar 3.2 menjelaskan mengenai tampilan dashboard pada kaum marjinal yang terdapat pada wilayah Tangerang Selatan. Dashboard tersebut menjelaskan mengenai 3 aspek yang akan dibahas yaitu mengenai status pekerjaan yang dimiliki oleh warga Tangerang Selatan, jumlah usia produktif dan pengangguran serta pendidikannya. Warga yang terdapat di Tangerang selatan memiliki angka usia produktif yang tinggi. Usia produktif yang paling banyak di wilayah Tangerang Selatan dari usia 19 tahun sampai 22 tahun. Dari status pekerjaan yang dimiliki oleh masyarakat di wilayah Tangerang Selatan sebagian besar bekerja sebagai buruh atau karyawan. Namun masih banyak juga masyarakat yang menjadi pengangguran rata - rata dari segi pendidikan yang dimiliki oleh warga tangsel masih banyak hanya sebatas sampai Sekolah Menengah Akhir (SMA) sehingga lebih sulit untuk menemukan pekerjaan.

Inilah yang dapat dijadikan fokus apakah hal ini terjadi tidak melanjutkan ke jenjang perkuliahan karena harga dan batasan kuliah lainnya yang menjadi alasan tidak melanjutkan kuliah.

(15)

33

Gambar 3. 3 Visualisasi Kaum Marjinal Depok

Selanjutnya terdapat visualisasi pada gambar 3.3 untuk wilayah Depok dari grafik yang ditampilkan bahwa daerah Depok memiliki rentang usia produktif paling banyak yaitu sekitar usia 30 tahun sampai 34 tahun dengan total 114.708 orang. Pada bagian status pekerjaan yang dimiliki pun mirip dengan wilayah Tangerang Selatan yaitu banyak masyarakatnya yang bekerja sebagai buruh, karyawan dan pegawai. Namun dapat disayangkan masih ada para pengangguran yang tidak memiliki pekerjaan. Jika dilihat dari segi kenaikan grafik pertahun mengenai pengangguran yang terdapat di Depok untuk kaum laki - laki ataupun perempuan memiliki penurunan setiap tahunnya dari rentang tahun 2020 hingga 2023 ini dapat dinyatakan bahwa sumber daya manusia yang terdapat di depok semakin tinggi dan mulai berkurangnya angka pengangguran.

(16)

34

Gambar 3. 4 Visualisasi Kaum Marjinal Tangerang

Selanjutnya pada gambar dashboard 3.4 merupakan tampilan grafik untuk daerah Tangerang. Dari hasil riset dan data yang temukan lalu dibuat secara grafik bahwa Kota Tangerang memiliki nilai angka usia produktif yang tinggi pada kisaran usia 25 tahun sampai usia 29 tahun, Namun dari grafik tersebut juga menampilkan bahwa kota Tangerang masih memiliki angka pengangguran yang tinggi. Pengangguran yang terbesar adalah lulusan SMA disini menjelaskan bahwa sebagian masyarakat Tangerang yang lulusan SMA tidak dapat melanjutkan kebangku perkuliahan namun juga sulit mendapatkan pekerjaan sehingga menjadi pengangguran.

3.2.2.5 Mempelajari ETL

Setelah selesai menyelesaikan riset serta visualisasi mengenai kaum marjinal yang terdapat di daerah JABODETABEK untuk kebutuhkan report Kampus Gratis dalam mengetahui audience yang tepat sesuai dengan target ketika menggunakan Kampus Gratis ini sebagai media pembelajaran berbasis E-Learning untuk para kaum marjinal. Setelah itu dilanjutkan dengan mempelajari mengenai Extract, Transform, dan Load atau yang biasa disebut juga dengan ETL yaitu sebuah penggabungan data dari berbagai sumber dijadikan satu dalam pusat repositori. Dalam hal ini mempelajari ETL menggunakan pentaho sebuah software untuk dapat melakukan ETL pada data

(17)

35

dari sumber yang berbeda. Melakukan pembelajaran mengenai ETL dapat mempermudah untuk melakukan memindahkan dan mengkategorikan data sesuai dengan kebutuhannya sehingga dapat meningkatkan kualitas data yang dimiliki serta menghemat waktu dalam melakukan pengintegrasian.

3.2.2.6 Cleaning dan Parsing dengan Python

Kegiatan yang dilakukan selanjutnya yaitu melakukan cleaning dan parsing untuk data menggunakan python. Melakukan cleaning dan parsing pada data merupakan hal awal yang cukup penting untuk dilakukan dalam mengolah sebuah data. Pada bagian cleaning ini dilakukan untuk membersihkan data - data yang tidak digunakan sehingga data tersebut sudah dapat digunakan dengan lebih baik dan dibuat menjadi lebih efisien. Cleaning data yang dilakukan pada data seperti data yang tidak valid akan dihapus, menghilangkan missing values atau outlier yang tidak digunakan sehingga mengganggu dalam melakukan pengolahan data. Library yang digunakan yaitu Pandas dan Numpy untuk membersihkan serta normalisasi data. Sebelum terjun langsung diberikan data para peserta magang di haruskan untuk mempelajari ulang apa itu cleaning dan parsing agar pahaman yang dimiliki dapat semakin baik sehingga dalam pengerjaan data pun semakin baik. Banyak platform yang bisa diigunakan oleh peserta magang sebagai untuk media belajar mengenai python salah satunya untuk clenaning dan parsing.

Setelah membersihkan data - data dari hal yang tidak diperlukan selanjutnya adalah melakukan parsing data digunakan untuk membuat data yang dimiliki tersebut dibuat menjadi lebih terurai. Data - data yang sudah terurai tersebut akan diatur sehingga dapat lebih terstruktur dan terorganisir menjadi lebih baik lagi. Pada data yang dimiliki oleh PT. Menata Indonesia terdapat data - data yang belum rapi dan tidak terstruktur dari segi pemformatan hasil dari sistem yang dibuat backend. Sehingga dapat harus dirapikan sesuai dengan struktur pemformatan variabel yang diperlukan. Data tersebut dapat dipisahkan sesuai urutan dan isinya masing - masing seperti id dan student id

(18)

36

yang berbeda fungsi. Id number untuk nomor urutan dari user dan student id berisikan nomer student yang dimiliki user. Data yang diberikan dapat berupa bentuk file yang berbeda beda sesuai dengan yang divisi lain membutuhkan data dalam bentuk file tertentu misalnya seperti csv dan JSON.

Divisi Integration Analyst akan melakukan cleaning dan parsing data yang dibutuhkan oleh divisi backend. Asisten mentor memberikan data yang diperoleh dari hasil output website Kampus Gratis yang di kembangkan oleh backend untuk di perbaiki bentuk, urutan, serta dibersihkan dari data yang tidak diperlukan sehingga akan dilakukan cleaning dan parsing pada data tersebut sehingga dapat digunakan lebih efisien.

Gambar 3. 5 Read data dan hasil

Gambar 3. 6 Cek Nilai Null

(19)

37

Gambar 3. 7 Informasi data

Pada gambar 3.5 merupakan file hasil output web Kampus Gratis yang diberikan oleh divisi backend dengan format file berupa JSON. Data ini masih tidak terurai sesuai dengan variabel masing - masing sehingga harus melakukan cleaning dan parsing. Sebelum dilakukan cleaning dan parsing file tersebut hanya memiliki 3 kolom variabel yaitu status, message dan data. Di Dalam kolom data memiliki banyak variabel untuk diurutkan dan diuraikan. Lakukan pengecekan terlebih dahulu terhadap data yang akan diolah apakah terdapat data yang null atau tidak. Selanjutnya dapat dilakukan pengecekan bahwa file tersebut berisikan data yang memiliki tipe data seperti apa agar dapat mengetahui data secara lebih menyeluruh.

Gambar 3. 8 Dataframe pada data backend

(20)

38

Gambar 3. 9 Keseluruhan Variabel

Pada gambar 3.9 dapat terlihat bahwa variabel yang seharusnya diurutkan kedalam bentuk kolom masing - masing masih berada di dalam kolom yang bernama “data”, sehingga variabel ini harus dipecah dan dibagi - bagi pada masing masing kolom sesuai dengan isinya. Di dalam kolom “data” ini berisikan nama nama kategori yang seharusnya berada secara terpisah seperti id, student_id, dan lain - lain. Bila dilihat seperti ini masih belum terbentuk dengan baik sehingga perlu untuk dibuat secara terstruktur.

Gambar 3. 10 Data Key id

Dari variabel acak yang berada di dalam satu kolom dengan nama “data”

akan dipisahkan menjadi satu persatu. Pada gambar 3.10 menunjukan pengambilan pada keys yang pertama yaitu untuk variabel id. Menggunakan dataframe dan lambda, sehingga total dari data secara menyeluruh bersih tidak terdapat yang kosong atau NaN.

(21)

39

Gambar 3. 11 Data key student id

akan dipisahkan menjadi satu persatu. Pada gambar 3.11 menunjukan pengambilan pada keys yang kedua yaitu untuk variabel student id.

Menggunakan data frame dan lambda, sehingga total dari data secara menyeluruh bersih tidak terdapat yang kosong atau NaN.

Gambar 3. 12 Data key session id

Dari variabel acak yang berada di dalam satu kolom dengan nama ``data”

akan dipisahkan menjadi satu persatu. Pada gambar 3.12 menunjukan pengambilan pada keys yang ketiga yaitu untuk variabel session id.

(22)

40

Gambar 3. 13 Data key material id

akan dipisahkan menjadi satu persatu. Pada gambar 3.13 menunjukan pengambilan pada keys yang keempat yaitu untuk variabel materialis.

Gambar 3. 14 Data key subject id

akan dipisahkan menjadi satu persatu. Pada gambar 3.14 menunjukan pengambilan pada keys yang kelima yaitu untuk variabel subject_id.

(23)

41

Gambar 3. 15 Data key description

akan dipisahkan menjadi satu persatu. Pada gambar 3.15 menunjukan pengambilan pada keys yang keenam yaitu untuk variabel deskripsi.

Gambar 3. 16 Data key status

akan dipisahkan menjadi satu persatu. Pada gambar 3.16 menunjukan pengambilan pada keys yang ketujuh yaitu untuk variabel status. Menggunakan data frame dan lambda, sehingga total dari data secara menyeluruh bersih tidak terdapat yang kosong atau NaN.

(24)

42

Gambar 3. 17 Data key id referrer

akan dipisahkan menjadi satu persatu. Pada gambar 3.17 menunjukan pengambilan pada keys yang kedelapan yaitu untuk variabel idreferrer.

Menggunakan data frame dan lambda, sehingga total dari data secara menyeluruh bersih tidak terdapat yang kosong atau NaN.

Gambar 3. 18 Data key type

akan dipisahkan menjadi satu persatu. Pada gambar 3.18 menunjukan pengambilan pada keys yang kesembilan yaitu untuk variabel type.

(25)

43

Gambar 3. 19 Data key score

akan dipisahkan menjadi satu persatu. Pada gambar 3.19 menunjukan pengambilan pada keys yang kesepuluh yaitu untuk variabel score.

Menggunakan data frame dan lambda, sehingga total dari data secara menyeluruh bersih tidak terdapat yang kosong atau NaN.

Gambar 3. 20 Drop data

Gambar 3. 21 Datafame semua key

Setelah selesai mengambil semua variabel yang terdapat pada kolom ‘data’

seperti gambar 3.21 menunjukkan data frame yang sudah di bersihkan dengan masing - masing kolon yang sudah di urutkan dan dirapikan dari penumpukan seperti sebelumnya. Sehingga data ini sudah rapi dibuat keys untuk masing

(26)

44

Setelah dilakukan cleaning dan parsing data akan menjadi lebih rapi dan terstruktur sesuai dengan format yang dibutuhkan masing - masing. Sehingga akan mempermudah untuk melakukan pengolahan data dan juga sistem yang dijalani karena data yang digunakan sudah bersih dan terorganisir dengan baik.

Hal inilah yang akan membantu proses perjalanan dari produk yang akan dibuat.

3.2.2.7 Data Manipulation dengan Python

Dalam proses pengolahan data melakukan data manipulation untuk membuat data menjadi lebih luas dan dapat membuat analisis semakin menjadi baik karena data yang dimiliki semakin banyak variabel kemungkinan yang digunakan sehingga dapat lebih spesifik pada data tersebut. Pada proses data manipulation akan melakukan pengubahan, menggabungkan data yang sesuai yang dibutuhkan dan lain - lain. Penggabungan dan penambahan data tersebut dapat membuat data menjadi lebih banyak dan bervariatif memudahkan dalam melakukan analisis sehingga mendapatkan analisa yang tepat dan sesuai dari yang diharapkan. Sama dengan pengolahan data sebelumnya para peserta magang diharuskan untuk mempelajari ulang apa itu pengolahan data manipulation agar dapat melakukannya secara maksimal dan lebih baik lagi.

Ketika melakukan pembelajaran tersebut selain melalui bimbingan oleh mentor, peserta magang dapat melalui pembelajaran dari banyak platform lainnya untuk menambah ilmu. Hal yang dilakukan dalam data manipulation yaitu menggabungkan data, suatu data yang digunakan masih memiliki beberapa variabel dan isi yang kurang memadai ketika akan dilakukan pengolahan sehingga membutuhkan data manipulation penggabungan data tersebut sehingga memiliki data yang lengkap. Dalam penggabungan data tersebut dilakukan juga penambahan data yang dibutuhkan. Hal lain yang dilakukan dalam pembersihan sesuai dengan apa yang dibutuhkan oleh pengguna data tersebut. Seperti pada gambar no – ini diberikan data dengan bentuk file berupa CSV berisikan tentang data yang masih memiliki beberapa

(27)

45

variabel yang NaN sehingga sesuai dengan kebutuhan akan dilakukan drop untuk menghapus beberapa yang error akibat adanya data yang kosong atau tidak terbaca. Dan pada gambar – merupakan hasil dari pembersihan data yang sudah dilakukan secara seluruh dilakukan drop. Lalu dapat dimanipulasi data yang NaN menjadi disikan dengan nilai rata - rata atau dihilangkan secara menyeluruh seperti pada gambar 3.22 sampai 3.25

Gambar 3. 22 Data Character Analysis

Gambar 3. 23 Drop data dan Info data

Gambar 3. 24 Setelah drop data

(28)

46

Gambar 3. 25 Membuat manipulasi membuat rata - rata data

3.2.2.8 SOP divisi Data Integration Analyst

Dalam sebuah perusahaan terdapat panduan atau petunjuk kerja yang disebut dengan Standard Operating Procedure (SOP) hal ini dibutuhkan untuk mengatur langkah yang dilakukan oleh pekerja magang dan harus diikuti ketika akan melakukan pekerjaan atau tugas pada sebuah perusahaan tersebut.

Standard Operating Procedure ini dibuat secara bersama antara mentor, asisten mentor dan peserta magang agar semua dapat menyetujui Standard Operating Procedure sesuai dengan kesepakatan bersama. Dalam pembuatan Standard Operating Procedure semua akan memberikan masukkan, saran, dan semua yang dibutuhkan untuk menunjang penyelesaian tugas serta pekerjaan yang dilakukan..

Tugas utama dari Data Integration Analyst yaitu membuat pengelolaan pada data, sehingga data tersebut dapat berkualitas dan digunakan untuk menunjang proses bisnis dan pengerjaan sistem yang dibuat. Standard Operating Procedure untuk Data Integration Analyst ini juga sangat berguna bagi para peserta magang sehingga tidak bingung antara tugas yang dikerjakan, karena dapat digunakan sebagai acuan pekerjaan. Serta di dalam SOP tersebut akan menyertakan keamanan privasi data yang digunakan sehingga prosedur yang dilakukan harus tetap aman dalam melakukan pengolahan data serta tidak menyebarluaskan hasil dari data tersebut. Beberapa tujuan utama didalam SOP Data Integration Analyst seperti melakukan pengumpulan dan pengolahan data, verifikasi data, proses integrasi data, pelaporan & evaluasi dan lain – lain sesuai ketentuan yang berlaku.

(29)

47

Gambar 3. 26 SOP Data Integration Analyst

3.2.2.9 Composite Data Structure dengan Python

Kegiatan pembelajaran yang selanjutnya yaitu melakukan composite data structure dimana peserta magang akan melakukan konsep penting dari melakukan sebuah pengolahan data untuk melakukan penggabungan atau pengelompokkan data. Dari pengelompokkan itu memiliki beberapa jenis seperti List, Dictionary, Tuple, dan Set. Pembelajaran ini akan digunakan ketika nanti akan mengolah data sehingga mengetahui perbedaan dari masing - masing fungsi atau kegunaannya.

Gambar 3. 27 Composite Data Stucture List

Pada gambar 3.27 merupakan Composite data structure yang berupa List.

Bentuk Composite data structure yang paling banyak digunakan oleh user ketika menggunakan python. List merupakan struktur data yang akan diurutkan dan juga dapat diubah - ubah. Didalam List dapat memiliki tipe data yang berbeda , elemen tersebut dipisahkan menggunakan koma (,) dan berada diantara tanda kurung siku ([]).

Gambar 3. 28 Composite Data Stucture Dictionary

Pada bagian Composite data structure Dictionary terdapat struktur data yang dibagi menjadi dua yaitu key dan juga value dari kedua itu memiliki keterhubungan. Key akan mengakses value yang digunakan sebagai isinya.

Elemen tersebut berada diantara tanda kurung kurawal ({}) dan untuk

(30)

48

memisahkan antara key dan value menggunakan tanda titik dua (:) seperti yang berada di gambar 3.28.

Gambar 3. 29 Composite Data Stucture Set

Composite data structure yang selanjutnya adalah Tuple dimana data yang sudah diurutkan tidak dapat diubah, untuk menggunakan tipe ini akan dipisahkan per elemennya menggunakan tanda koma (,) dan juga tanda kurung buka dan kurung tutup biasa (()). Selain itu juga di dalam Tuple dapat memiliki jenis tipe data yang berbeda - beda seperti yang ada pada gambar 3.29.

Gambar 3. 30 Composite Data Stucture Tuple

Jenis composite data structure yang terakhir adalah tipe Set yang dapat berisikan elemen unik tanpa ada urutan tertentu untuk elemen pisah menggunakan koma (,) dan juga tanda kurung kurawal ({}). Tidak bisa ada elemen yang duplikat di dalam tipe Set ini sehingga semua yang ada didalamnya harus bersifat unik berbeda satu sama lain. Terdapat contoh yang dilakukan seperti pada gambar 3.30.

3.2.2.10 Analisa UI/UX dan Testing website Kampus Gratis

Kegiatan selanjutnya yang dilakukan adalah melakukan analisa pada UI/UX untuk website Kampus Gratis. Pada produk yang dimiliki oleh PT. Menara Indonesia dan sekarang sedang dikembang oleh para developer memiliki design prototype UI/UX yang harus dilakukan analisa apakah sudah sesuai dengan yang seharusnya ada pada sebuah platform pembelajaran berbasis E- Learning.

(31)

49

Gambar 3. 31 Tampilan website Kampus Gratis

Gambar 3. 32 Tampilan fitur Kampus Gratis

Pengecekan dan analisa yang dilakukan guna untuk mengetahui dimana kekurangan dan kendala apa yang terjadi didalam prototype tersebut sehingga ketika dapat dievaluasi dan diperbaiki untuk hasil yang lebih baik lagi. Hal yang dilakukan pengecekan terdapat banyak aspek seperti melihat semua button yang ada menuju langsung pada halaman akan dituju. Melihat tampilan yang lakukan sudah sesuai, fitur yang ditampilkan memiliki total yang sesuai dengan fungsi masing - masing fitur yang berjalan dengan baik. Kesalahn - kesalahan kecil yang ada pada beberapa tampilan dan lain - lain, sehingga dapat menghasilkan produk yang lebih berkualitas dan baik di dalam berbagai aspek.

Selain pengecekan melalui figma UI/UX juga melakukan pengecekan dengan melakukan testing secara langsung pada Beta website yang sudah dibuat oleh

(32)

50

divisi frontend apakah fitur tersebut berjalan dengan baik ketika sudah diaplikasikan menjadi website.

3.2.2.11 Guidebook LMS

Learning Management System atau yang disebut juga dengan LMS merupakan sebuah website pembelajaran jarak jauh yang dibuat untuk perusahaan. Sistem Learning Management System ini hampir mirip dengan E- Learning yang biasa digunakan pada pembelajaran di kampus atau sekolah.

Namun LMS yang dikembangkan sekarang diperuntuk kan untuk pembelajaran yang terdapat di perusahaan. Platform ini akan melakukan pelacakan, mengelola dan menilai hasil pembelajaran secara online yang dilakukan oleh user yaitu karyawan dari perusahaan tersebut. Sistem dari Learning Management System ini bisa diakses kapanpun seperti video, materi bacaan dan juga referensi serta melihat progres harian, dapat melihat hasil dari progres pembelajaran karyawan karena terdapat penilaian dan hasil tes yang bisa di cek secara berkala.

Sama seperti platform pembelajaran yang lain terdapat ruang diskusi, ruang obrolan dan lain lain. Dan dari LMS ini perusahaan dapat membuat pengintegrasian secara mudah peserta yang dimaksud adalah karyawan untuk dapat mengatur jadwal webinar, data karyawan yang akan menjadi peserta dan pelaporan yang dapat langsung diterima oleh perusahaan. Maka dibuat guide book sebagai buku panduan yang dapat digunakan oleh perusahaan yang membeli produk sistem ini sebagai acuan apa saja yang dapat dilakukan di dalam LMS. Seperti apa sistem dari LMS untuk pembelajaran para karyawannya sehingga client yang sudah membeli produk LMS ini tidak kebingungan dengan cara penggunaannya serta melihat hasil dari kegiatan yang sudah dilakukan oleh karyawannya sebagai peserta. Pada pelatihan yang dilakukan oleh perusahaan yang menggunakan LMS memiliki tujuan untuk melatih karyawan mereka secara efektif dan efisien. Pelatihan yang dilakukan untuk karyawan seperti pelatihan induksi, pelatihan keterampilan, dan

(33)

51

pengembangan profesional sehingga karyawan yang dimiliki menjadi lebih berkualitas.

3.2.2.12 Looping dengan Python

Selanjutnya kegiatan melakukan looping yang akan digunakan ketika melakukan pemrosesan serta pengolahan data. Looping merupakan sebuah proses atau perintah yang ada pada python untuk melakukan perulangan secara terus menerus sesuai dengan kondisi yang diinginkan. Jenis loop yang biasa digunakan yaitu loop For dan While. Looping dapat melakukan penulisan dengan perintah yang sama secara berulang kali.

Gambar 3. 33 Looping dengan python

Percobaan yang digunakan salah satunya dalam mempelajari looping dengan python seperti gambar 3.33. Data yang dibuat berdasarkan list belanjaan yang dimiliki melakukan perulangan hingga 50 kali sesuai dengan perintah yang diberikan. Hasil dari list belanja tersebut memiliki jumlah sebanyak 50 list dan dilakukan secara random sehingga hasil dari urutan list tersebut akan acak tidak dibuat ada urutannya. Tipe data yang digunakan untuk Composite data structure adalah tipe list sesuai dengan yang dibutuhkan. Dan untuk perulangan yang digunakan yaitu “for”.

(34)

52

3.2.2.13 Riset gaji pekerjaan di Indonesia

Tugas selanjutnya yang diberikan oleh asisten mentor kepada divisi Data Integration Analyst yaitu melakukan riset pekerjaan yang ada di Indonesia hal ini berguna untuk mengetahui pekerjaan apa saja yang ada dan berapa perkiraan range gaji dari pekerjaan tersebut. Informasi ini digunakan untuk memenuhi kebutuhan pada projek AI Credit Scoring. Pada projek AI Credit Scoring membutuhkan data data para pekerja yang ada di Indonesia untuk mengetahui perkiraan gaji seseorang yang melakukan pengajuan credit sehingga dapat dipastikan untuk kelayakan peminjam kredit tersebut.

Pekerjaan di Indonesia sangat beragam dari yang ada secara general hingga yang lebih spesifik beserta dengan perkiraan nominal gaji yang dimiliki oleh masing - masing bagian pekerjaan. Pertama terdapat pekerjaan yang diambil sesuai dengan jenis pekerjaan pada KTP seperti pada tabel 3.13.

Tabel 3. 13 Pekerjaan berdasarkan KTP

Selain mendapatkan rincian pekerjaan berdasarkan KTP terdapat beberapa pekerjaan yang lebih spesifik menjurus pada suatu jobdesk hal sehingga pada tabel 3.14 menunjukkan pekerjaan yang lebih rinci dan memiliki perkiraan pendapatan gaji yang lebih menderita dibandingkan dengan status pekerjaan berdasarkan dari data KTP. Pekerjaan yang terdapat di KTP merupakan pekerjaan umum yang biasa disebutkan secara tidak menjurus pada sebuah spesifikasi pekerjaan seperti Pegawai Negeri Sipil atau disebut juga dengan PNS yang memiliki banyak bagian pekerjaan di dalamnya sehingga tidak dapat diketahui secara detail.

(35)

53

Tabel 3. 14 Pekerjaan Spesifik

Dari beberapa data hasil riset yang sudah ditemukan dapat membantu dalam pengembangan projek AI Credit Scoring sehingga dapat ketahui perkiraan gaji seseorang yang melakukan pengajuan kredit. Gaji ini akan dilakukan perhitungan kelayakan nya dalam melakukan pinjaman credit sehingga dapat ketahui perkiraan seorang pengguna untuk melakukan pelunasan pinjaman kredit yang diajukan atau tidak bisa melakukan pelunasan secara lebih lanjut. Bila dilakukan perbandingan data yang menggunakan gaji dengan pekerjaan yang lebih spesifik dapat membantu nilai akurasi yang lebih baik. Namun memiliki kesulitan dan harus memiliki data yang lebih banyak untuk mengumpulkan semua pekerjaan secara spesifik beserta nominal gaji yang dimiliki.

3.2.2.14 Looping pekerjaan dan gaji secara random

Setelah melakukan riset untuk pekerjaan yang terdapat pada KTP ataupun pekerjaan secara spesifik akan dilakukan perulangan untuk data tersebut.

Perulangan atau looping yang dilakukan secara acak ini akan menghasilkan range gaji pendapatan dari masing - masing pekerjaan. Sebelum melakukan pemrosesan looping data untuk pekerjaan berdasarkan KTP dan pekerjaan secara spesifik harus memasukkan library yang dibutuhkan. Pada gambar 3.34 library yang digunakan yaitu faker, dan import pandas serta random untuk dapat melakukan looping pekerjaan dan gaji secara acak.

(36)

54

Gambar 3. 34 Import Library

Gambar 3.35 merupakan penginputan element yang dibutuhkan yaitu nama pekerjaan yang terdapat pada KTP berdasarkan hasil riset. Dari data - data tersebut memiliki nama pekerjaan beserta rentang gaji minimal dan maksimal.

Semua nama pekerjaan tersebut dimasukkan, yang selanjutnya dimasukan gaji minimal dan maksimal sehingga dapat tahu perkiraan batas gaji yang akan di looping.

Gambar 3. 35 Input Elememt Pekerjaan berdasarkan KTP

Pada gambar 3.36 menunjukkan hasil looping yang sudah dilakukan dari nama pekerjaan berdasarkan KTP tersebut. Sehingga dapat melanjutkan tahap berikutnya yaitu melakukan looping dengan gaji yang sudah diberikan batasan minimal serra maksimal dan gaji akan dihasilkan tidak akan melewati nominal yang dicantumkan.

(37)

55

Gambar 3. 36 Hasil Input Pekerjaan berdasarkan KTP

Selanjutnya dibuat menjadi sebuah data frame dari hasil looping tersebut antara pekerjaan dengan gaji lalu hasil looping akan menunjukkan gaji dari masing - masing job. Nominal gaji yang dihasilkan tidak akan melewati nilai perkiraan pendapatan minimal dan maksimal yang tadi sudah dibuat sehingga penghasilan yang didapatkan menjadi lebih spesifik seperti pada gambar 3.37.

Gambar 3. 37 Hasil Looping Pekerjaan berdasarkan KTP

Setelah melakukan looping dengan pekerjaan berdasarkan KTP yang terlalu luas untuk mendapatkan data lebih spesifik lagi sehingga untuk uji coba variabel fitur credit scoring dapat lebih akurat maka dibuat riset mengenai pekerjaan yang lebih spesifik berdasarkan bidangnya masing - masing. Maka dilakukan hal yang seperti looping dengan data pekerjaan berdasarkan KTP

(38)

56

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

3.2.2.15 Dummy data fitur AI Credit Scoring dengan Python

Tugas selanjutnya yang diberikan oleh mentor dan asisten mentor yaitu membuat dummy data yang digunakan untuk melengkapi variabel data yang kurang lengkap. Dummy data yang dibuat akan membantu dalam melakukan pengujian, pengembangan dan analisa secara lebih kompleks. Data tersebut

(39)

57

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

(40)

58

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

(41)

59

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.

(42)

60

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.

(43)

61

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.

(44)

62

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

(45)

63

memenuhi sesuai dengan kebutuhan. Sehingga data tersebut menjadi lengkap dan siap untuk dilakukan visualisasi data dan dilakukan analisis.

3.2.2.16 Pembuatan Dashboard

Setelah melengkapi data yang masih belum lengkap dengan membuat dummy data menggunakan library Faker pada python, data yang kurang lengkap tersebut sekarang sudah berisikan data pelengkap berupa dummy.

Setelah melakukan pembuatan dummy data dan mengisi seluruh variabel yang sebelumnya masih belum lengkap akan dilanjutkan dengan membuat visualisasi untuk perusahaan. Visualisasi akan berguna untuk perusahaan melihat grafik banyaknya pengajuan, hasil nilai pengaju lebih banyak yang layak atau tidak dan lain - lain. Meskipun data tersebut tidak bisa dikatakan sebagai data yang sebenarnya namun masih memiliki karakter yang sama dengan data yang asli sehingga dapat digunakan untuk membuat visualisasi data dan analisa statistik. Untuk visualisasi yang digunakna untuk tampilan dashboard perusahaan menggunakan Tableau.

Gambar 3. 56 Dashboard Banyak Pengaju

Visualisasi pada gambar 3.56 merupakan hasil dari data AI Credit Scoring menunjukan banyak pengajuan nasabah dalam permintaan kredit. AI Credit

(46)

64

Scoring yang merupakan sebuah sistem yang dibuat oleh divisi AI & Data science berdasarkan variabel yang sudah mereka buat akan diberikan kepada data integration analyst untuk dibuat dalam bentuk visualisasi menggunakan Tableau. Grafik ini menunjukan aktivitas pengajuan nasabah dalam mengajukan kredit. Pada grafik bulan rentang waktu tahun 2021 dan 2022 dapat diketahui aktivitas terjadinya pengajuan kredit dari bulan januari hingga bulan desember rentang tahun tersebut memiliki angka yang paling tinggi pada bulan maret dan yang terendah terjadi pada bulan juni. Selanjutnya dilihat dari grafik tahunan menyatakan ada kenaikan pada tahun 2022 namun secara keseluruhan pengajuan setiap tahunnya terlihat stabil. Dan grafik berdasarkan kuartal menghasil kan data yang paling banyak waktu kuartal 1 atau bulan januari sampai maret.

Gambar 3. 57 Dashboard AI Character Scoring

Gambar 3.57 merupakan hasil visualisasi yang dilakukan pada fitur AI Character Scoring menjelaskan nilai grafik dari segi range score yang dimiliki oleh setiap nasabah yang mengajukan kredit dan memilih fitur tersebut.

Sehingga dapat diketahui range score paling banyak yang dimiliki oleh nasabah dan grafik ini dilihat dalam kurun waktu bulan dan tahun. Terdapat filter yang disediakan untuk mengatur waktu sesuai dengan yang dibutuhkan.

(47)

65

Gambar 3. 58 Dashboard Identity Scoring

Dan untuk tampilan pada gambar 3.58 merupakan hasil visualisasi untuk dashboard fitur AI Identity Scoring. Grafik yang ditampilkan pada hasil diatas menjelaskan nilai grafik dari segi range score yang dimiliki oleh setiap nasabah yang mengajukan kredit dan memilih fitur tersebut. Dapat dilihat setiap bulan nasabah paling banyak memiliki hasil score terbanyak. Lalu score tahunan yang dimiliki oleh nasabah paling banyak memiliki rentang score 600 - 750.

Selanjutnya dilihat dari bulan yang paling banyak fitur tersebut dibeli pada bulan apa. Semua aktivitas yang dilakukan dapat diatur sesuai kebutuhan menggunakan filter.

3.2.2.17 Visualisasi report Credit Scoring dengan Python

Setelah melakukan visualisasi menggunakan data tersebut untuk dashboard perusahaan selanjutnya adalah membuat visualisasi yang digunakan untuk report masing - masing pengaju. Setiap nasabah yang melakukan penghijauan akan icek tingkat kelayakan peminjaman melalui perhitungan yang sudah dilakukan menggunakan variabel - variabel penentu seperti aset, harta,dan lain - lain sehingga nasabah tersebut dapat dikatakan layak atau tidak ketika menerima ajuan kredit tersebut. Layak yang dimaksud di dalam Credit Scoring ini yaitu memiliki kemampuan untuk melunasi atau bertanggung jawab dengan

(48)

66

kreditan tersebut sehingga mampu bayar dari segi finansial. Untuk visualisasi tersebut pada data kali ini menggunakan python dengan bentuk gauge chart.

Gambar 3. 59 Coding report Location & Movement

Gambar 3. 60 Gauge Chart Location & Movement

Pada gambar 3.59 merupakan coding yang dibuat untuk menghasilkan gauge chart yang digunakan sebagai hasil report dari setiap fitur sehingga dapat diketahui apakah nasabah tersebut masuk kedalam kategori layak dan tidak layak. Ketika akan membuat gauge chart harus mengimpor plotly.graph_objs sehingga dapat membuat plot sesuai yang diinginkan, pada kali ini yang dibuat adalah gauge chart. Untuk gauge chart akan dibuat beberapa elemen pendukung sehingga dapat menghasilkan visualisasi yang baik. Element yang ditambahkan tersebut seperti axis, bar, steps dan threshold sehingga dapat menghasilkan bentuk secara profesional. Pada gambar 3.60 memiliki warna menentukan jangka nilai untuk setiap kategorinya yaitu 0 - 56 sangat buruk, 57 - 72 buruk, 73 - 88 cukup baik, 89 - 96 baik, dan 97 - 99 sangat baik. Sehingga pada tampilan diatas nasabah memiliki score 90 yang artinya baik.