PENERAPAN METODE K-MEANS CLUSTERING UNTUK IDENTIFIKASI PROFIL TRANSAKSI DAN KARAKTERISTIK NASABAH PERBANKAN
Keywords:
K-Means Clustering, Data Mining, Segmentasi Transaksi, Profil Transaksi, Perbankan.Abstract
Perkembangan teknologi data telah mendorong sektor perbankan untuk memanfaatkan data transaksi sebagai sumber informasi dalam mendukung pengambilan keputusan. Volume transaksi yang terus meningkat menghasilkan data dalam jumlah besar yang mengandung pola dan karakteristik transaksi yang bisa diteliti lebih mendalam. Penelitian ini bertujuan untuk mengidentifikasi profil transaksi dan karakteristik kelompok transaksi melalui penerapan teknik pengelompokan K-Means. Jenis data yang digunakan adalah data transaksi perbankan sebanyak 1.348 transaksi yang terdiri atas atribut waktu transaksi, kode transaksi, sistem transaksi, nominal transaksi, dan jenis transaksi. Sebelum proses clustering, data melalui tahap preprocessing, yang mencakup seleksi atribut, transformasi data, dan normalisasi. Metode Elbow digunakan untuk menghitung jumlah cluster, dan algoritma K-Means digunakan untuk mengelompokkan. Hasil penelitian menunjukkan bahwa 1.348 data transaksi telah dikelompokkan ke dalam lima cluster (A–E). Cluster B memiliki jumlah transaksi terbesar, sedangkan Cluster E memiliki jumlah transaksi paling sedikit namun memiliki rata-rata nominal transaksi tertinggi. Hasil pengelompokan menunjukkan kemampuan metode K-Means untuk mengidentifikasi pola transaksi berdasarkan ciri-cirinya dan memberikan informasi yang bermanfaat dalam memahami profil transaksi dan mendukung proses pengambilan keputusan di lingkungan perbankan.
References
M. A. Suharbi dan H. Margono, “Kebutuhan transformasi bank digital Indonesia di era revolusi industri 4.0,” Fair Value J. Ilm. Akunt. Dan Keuang., vol. 4, no. 10, hlm. 4749–4759, Mei 2022, doi: 10.32670/fairvalue.v4i10.1758.
M. R. A. Riyyasy, W. N. Aghniya, dan H. Tantyoko, “Penerapan Algoritma Machine Learning Untuk Memprediksi Term Deposit Nasabah Perbankan,” OPEN ACCESS, vol. 2, no. 3, 2023.
D. Irawan, G. Wijaya, dan T. T. Warisaji, “Penerapan Algoritma K-Means Clustering untuk Segmentasi Nasabah Bank,” BIOS J. Teknol. Inf. Dan Rekayasa Komput., vol. 6, no. 1, hlm. 47–53, Mar 2025, doi: 10.37148/bios.v6i1.162.
F. M. Ayudewi dan U. R. Rafifah, “PENERAPAN DETEKSI ANOMALI MENGGUNAKAN MODEL ISOLATION FOREST UNTUK ANALISIS FRAUD PADA TRANSAKSI KEUANGAN AKUNTANSI,” vol. 10, no. 3, 2026.
M. F. Ilman dan F. Sulianta, “SEGMENTASI PELANGGAN PERBANKAN MENGGUNAKAN METODE CLUSTERING K-MEANS”.
I. Irawan, R. Rahman, dan A. Wibowo, “PENGELOMPOKAN TRANSAKSI KARTU DEBIT PERBANKAN MENGGUNAKAN ALGORITMA K-MEANS,” J. Sist. Inf. Dan Inform. Simika, vol. 8, no. 1, hlm. 99–110, Jan 2025, doi: 10.47080/simika.v8i1.3558.
H. Henderi dan R. L. Wanda, “PREPROCESSING DATA UNTUK SISTEM PERAMALAN TINGKAT KEDISIPLINAN MAHASISWA,” ICIT J., vol. 3, no. 2, hlm. 296–308, Agu 2017, doi: 10.33050/icit.v3i2.70.
N. A. Maori dan E. Evanita, “Metode Elbow dalam Optimasi Jumlah Cluster pada K-Means Clustering,” Simetris J. Tek. Mesin Elektro Dan Ilmu Komput., vol. 14, no. 2, hlm. 277–288, Nov 2023, doi: 10.24176/simet.v14i2.9630.
