Rekening Koran vs Rekening Tabungan - Kas dan Pengendalian - (4)

Rekening koran memuat hal yang sama dengan buku tabungan. Di dalamnya, sama-sama memuat mengenai tanggal dan sandi transaksi, mutasi debet, mutasi kredit, dan saldo. Bedanya adalah kalau buku tabungan dibuka untuk nasabah (deposan) perorangan, sedangkan rekening koran untuk nasabah korporat. 

Nasabah perorangan biasanya akan mendatangi bank bersangkutan untuk mencetak setiap transaksi bank yang terjadi ke dalam buku tabungan, sedangkan untuk nasabah korporat, biasanya rekening koran yang memuat transaksi bulanan akan dikirim langsung oleh bank ke nasabah bersangkutan. Khusus untuk rekening koran (laporan yang memuat rincian atas transaksi rekening giro), seluruh penarikan kas harus dilakukan dengan menggunakan cek atau bilyet giro. Berbeda dengan buku tabungan (yang memuat rincian atas transaksi rekening tabungan), penarikan kas dapat dilakukan seperti biasanya (menggunakan slip penarikan) dan tidak menggunakan cek atas bilyet giro. [Baca juga: Perbedaan Cek dan Bilyet Giro]

Penerapan-penerapan Text Mining - Seri Text Mining dan Web Mining (3)

Karena jumlah data tak-terstruktur yang dikumpulkan perusahaan semakin banyak, maka nilai dan popularitas tools text mining juga meningkat. Saat ini banyak sekali perusahaan menyadari betapa pentingnya mengekstrak knowledge (pengetahuan) yang ada di berbagai data berbasis dokumen yang mereka miliki dengan menggunakan tools text mining. Berikut ini adalah beberapa contoh kecil beberapa kategori penerapan text mining. [Baca juga: Kisah sukses web mining]

Pemrosesan Bahasa Alami (Natural Language Processing) - Seri Text Mining dan Web Mining (2)

Beberapa aplikasi text mining awal menggunakan penyajian sederhana yang disebut dengan ‘bag-of-words' ketika mengenalkan struktur ke suatu kumpulan dokumen berbasis teks untuk mengklasifikasikan nya menjadi dua atau lebih kelas yang sudah ditentukan atau untuk meng-cluster nya menjadi pengelompokan-pengelompokan alami. [Baca juga: Pengertian Clustering atau Analisa Cluster]. Dalam model ‘bag-of-words’ tersebut, teks, misalnya suatu kalimat, paragraph, atau dokumen penuh, disajikan sebagai kumpulan kata, dengan mengabaikan tata bahasa atau  urutan kata-kata yang akan muncul. Model ‘bag-of-words’ masih digunakan dalam beberapa tool klasifikasi dokumen yang sederhana. Contohnya, dalam memfilter spam email, suatu pesan di email bisa dimodelkan sebagai suatu kumpulan kata-kata yang tak berurutan (a bag-of-words) yang dibandingkan dengan dua ‘bags’ berbeda yang sudah ditentukan sebelumnya. Satu ‘bag’ diisi dengan kata-kata yang ditemukan di dalam pesan-pesan spam dan yang satunya diisi dengan kata-kata yang ditemukan dalam email-email yang legitimate. Meskipun beberapa kata mungkin ditemukan dalam kedua ‘bags’, bag untuk spam akan berisi kata-kata yang terkait dengan spam seperti stock, Viagra, dan buy jauh lebih sering muncul dibanding dengan bag untuk email legitimate, yang berisi lebih banyak kata yang terkait dengan teman-teman dan tempat kerja pengguna. Tingkat kecocokan antara ‘bag-of-words’ dari email tertentu dan dua bags yang berisi  ‘descriptor’ menetukan apakah email akan menjadi spam atau legitimate.

Konsep dan Definisi Text Mining - Seri Text Mining dan Web Mining (1)

Seri ini menjelaskan ikhtisar yang agak komprehensif tentang text mining dan web mining karena keduanya terkait dengan business intelligence (BI) dan decision support systems (dss). Keduanya pada dasarnya adalah turunan dari data mining. Karena text mining dan web mining selalu meningkat jumlahnya dan besarnya lebih dari data yang ada dalam database terstruktur, maka sangat penting untuk mengetahui beberapa teknik yang digunakan dalam memproses jumlah data tak-terstruktur yang sangat besar.

Text Mining: Konsep dan Definisi

Era informasi dimana kita sekarang jalani dicirikan dengan pertumbuhan data dan informasi yang banyak dan cepat yang dikumpulkan, disimpan, dan disediakan di media elektronik. Sebagian besar data bisnis disimpan dalam bentuk dokumen teks yang secara virtual sama sekali tidak terstruktur.  Menurut kajian dari Merrill Lynch dan gartner, 85 hingga 90 persen dari semua data korporat diambil dan disipan dalam bentuk data tak-terstruktur (McKnight, 2005). Dalam kajian yang sama juga dituliskan bahwa data takterstruktur ini selalu menjadi dua kali lipat dalam hal size setiap 18 bulansekali. Karena knowledge adalah power dalam dunia bisnis saat ini, dan knowledge diturunkan dari data dan informasi, organisasi bisnis yang bisa secar efektif dan efisien masuk ke beragam sumber data teks mereka akan memiliki knowledge yang diperlukan untuk membuat keputusan yang lebiih baik, yang membawa ke keuntungan kompetitif atas berbagai bisnis yang sedang ketinggalan di belakang. Inilah yang mengakibatkan kebutuhan terhadap text mining cocok dengan gambaran besar bisnis hari ini.