PENERAPAN ALGORITMA X – MEANS UNTUK SEGMENTASI NASABAH BERDASARKAN DATA KEUANGAN

Wisnu Adimas; Denni Pratama

Authors

Wisnu Adimas STMIK IKMI Cirebon, Indonesia
Denni Pratama STMIK IKMI Cirebon, Indonesia

Keywords:

clustering, segmentasi nasabah, algoritma X-Means

Abstract

Pemanfaatan data dalam jumlah besar pada sektor keuangan berperan penting dalam mendukung pengambilan keputusan yang efektif. Data nasabah yang tersimpan dalam sistem informasi perlu diolah secara optimal agar menghasilkan informasi yang bernilai. Namun, pengelolaan data nasabah sering kali belum didukung oleh proses segmentasi yang terstruktur berdasarkan perilaku transaksi dan risiko keterlambatan pembayaran, sehingga menyulitkan institusi dalam memahami karakteristik nasabah dan menyusun strategi yang tepat. Permasalahan tersebut disebabkan oleh belum diterapkannya metode segmentasi nasabah yang berbasis data. Oleh karena itu, penelitian ini menggunakan algoritma X-Means untuk melakukan pengelompokan nasabah secara otomatis berdasarkan tingkat kemiripan karakteristik. Tahapan penelitian meliputi pengumpulan data nasabah, pra-pemrosesan data berupa pembersihan data, penanganan nilai hilang, serta normalisasi data, kemudian dilanjutkan dengan proses clustering menggunakan algoritma X-Means. Tujuan penelitian ini adalah melakukan segmentasi nasabah berdasarkan frekuensi transaksi dan skor risiko keterlambatan, serta mengidentifikasi karakteristik setiap cluster. Hasil penelitian menunjukkan bahwa algoritma X-Means mampu membentuk beberapa cluster dengan pola transaksi dan tingkat risiko yang berbeda sebagai dasar pengelolaan risiko dan strategi bisnis.

References

Adeniran, I. A., Abhulimen, A. O., Obiki-Osafiele, A. N., Osundare, O. S., Agu, E. E., & Efunniyi, C. P. (2024). Data-Driven Approaches to Improve Customer Experience in Banking: Techniques and Outcomes. International Journal of Management & Entrepreneurship Research, 6(8), 2797–2818. https://doi.org/10.51594/ijmer.v6i8.1467

Adhitama, R., Burhanuddin, A., & Febriani, A. (2022). Penerapan X Means Clustering Pada UMKM Kab Banyumas Yang Mendukung Mega Shifting Consumer Behavior Akibat Covid-19. Journal of Informatics Information System Software Engineering and Applications (Inista), 4(1), 71–80. https://doi.org/10.20895/inista.v4i1.429

Wahab, N. D., Nasib, S. K., Nurwan, N., Wungguli, D., & Yahya, N. I. (2025). Pengelompokan Data Stunting Di Indonesia Menggunakan Metode X-Means Dan Agglomerative Hierarchical Clustering. Research in the Mathematical and Natural Sciences, 4(1), 52–64. https://doi.org/10.55657/rmns.v4i1.201

Wahidin, A. J., & Sensuse, D. I. (2021a). Perbandingan Algoritma K-Means, X-Means Dan K-Medoids Untuk Klasterisasi Awak Kabin Lion Air. Jurnal Ict Information Communication & Technology, 20(2), 298–302. https://doi.org/10.36054/jict-ikmi.v20i2.387

Wahidin, A. J., & Sensuse, D. I. (2021b). Perbandingan Algoritma K-Means, X-Means Dan K-Medoids Untuk Klasterisasi Awak Kabin Lion Air. Jurnal Ict Information Communication & Technology, 20(2), 298–302. https://doi.org/10.36054/jict-ikmi.v20i2.387

Wulandari, V., Syarif, Y., Alfian, Z., Althof, M. A., & Mufidah, M. (2024). Comparison of Density-Based Spatial Clustering of Applications With Noise (DBSCAN), K-Means and X-Means Algorithms on Shopping Trends Data. Ijatis, 1(1), 1–8. https://doi.org/10.57152/ijatis.v1i1.1135

Oti, E. U., Olusola, M. O., Eze, F., & Enogwe, S. U. (2021). Comprehensive Review of K-Means Clustering Algorithms. International Journal of Advances in Scientific Research and Engineering, 07(08), 64–69. https://doi.org/10.31695/ijasre.2021.34050

Adniana, R., Solihudin, D., & Narasati, R. (2024). Optimasi Analisis Data Kepuasan Pelanggan Cv Mega Baja Bintaro Dengan Penerapan Algoritma X-Means Clustering. Jati (Jurnal Mahasiswa Teknik Informatika), 8(1), 445–453. https://doi.org/10.36040/jati.v8i1.8722

Arifianto, F., Hasudungan, J., Muzaky, A., & Achsan, H. T. Y. (2024). Segmentasi Pelanggan Berdasarkan Recency, Frequency, Dan Monetary Dengan K-Means Clustering: Studi Kasus Toko Pakaian Almost Famous. Jurnal Teknologi Informatika Dan Komputer, 10(1), 122–135. https://doi.org/10.37012/jtik.v10i1.2096

Djun, S. F., Gunadi, I. G. A., & Sariyasa, S. (2024). Analisis Segmentasi Pelanggan Pada Bisnis Dengan Menggunakan Metode K-Means Clustering Pada Model Data RFM. Jtim Jurnal Teknologi Informasi Dan Multimedia, 5(4), 354–364. https://doi.org/10.35746/jtim.v5i4.434

Kishendrian, H., Hanum, N., Prianto, C., & Rahayu, W. I. (2023). Penerapan Metode Clustering Dalam Segmentasi Pelanggan Perusahaan Logistik. Sintech (Science and Information Technology) Journal, 6(3), 137–146. https://doi.org/10.31598/sintechjournal.v6i3.1432

Royanti, N. I., Indrayant, I., & Amalia, N. (2023). Penerapan Metode K-Means Untuk Segmentasi Keluhan Pelanggan (Studi Kasus : Hanatex). Ic-Tech, 18(2), 1–7. https://doi.org/10.47775/ictech.v18i2.282

Siagian, R., Sirait, P. S. P., & Halima, A. (2021). E-Commerce Customer Segmentation Using K-Means Algorithm and Length, Recency, Frequency, Monetary Model. Journal of Informatics and Telecommunication Engineering, 5(1), 21–30. https://doi.org/10.31289/jite.v5i1.5182

Hartama, D., & Oktaviani, S. (2025). Optimization of K-Means and K-Medoids Clustering Using Dbi Silhouette Elbow on Student Data. Jurteksi (Jurnal Teknologi Dan Sistem Informasi), 11(2), 289–296. https://doi.org/10.33330/jurteksi.v11i2.3531

Situmorang, A., Arifin, A., Rusilpan, I., & Juliane, C. (2022). Analisa Dan Penerapan Metode Algoritma K-Means Clustering Untuk Mengidentifikasi Rekomendasi Kategori Baru Pada List Movie IMDb. Jurnal Media Informatika Budidarma, 6(4), 2171. https://doi.org/10.30865/mib.v6i4.4729

Murpratiwi, S. I., Indrawan, I. G. A., & Aranta, A. (2021). Analisis Pemilihan Cluster Optimal Dalam Segmentasi Pelanggan Toko Retail. Jurnal Pendidikan Teknologi Dan Kejuruan, 18(2), 152. https://doi.org/10.23887/jptk-undiksha.v18i2.37426

Mutawalli, L., Fadli, S., & Supardianto, S. (2023). Komparasi Metode Perhitungan Jarak K-Means Paling Baik Terhadap Pembentukan Pola Kunjungan Wisatawan Mancanegara. Journal of Information System Research (Josh), 5(1), 159–166. https://doi.org/10.47065/josh.v5i1.4377

Shang, R., Ara, B., Zada, I., Nazir, S., Ullah, Z., & Khan, S. (2021). Analysis of Simple K-Mean and Parallel K-Mean Clustering for Software Products and Organizational Performance Using Education Sector Dataset. Scientific Programming, 2021, 1–20. https://doi.org/10.1155/2021/9988318

Ashtiani, M. N., & Raahemi, B. (2022). Intelligent Fraud Detection in Financial Statements Using Machine Learning and Data Mining: A Systematic Literature Review. Ieee Access, 10, 72504–72525. https://doi.org/10.1109/access.2021.3096799

He, W., Hung, J.-L., & Liu, L. (2022). Impact of Big Data Analytics On banking: A Case Study. Journal of Enterprise Information Management. https://doi.org/10.1108/jeim-05-2020-0176

Li, L. (2023). The Digital Transformation of the Banking Industry in the Era of Big Data. Advances in Economics Management and Political Sciences, 39(1), 24–30. https://doi.org/10.54254/2754-1169/39/20231929

Saxena, A., Singh, A., & Govindaraj, M. (2023). Analyzing Customer Churn in Banking: A Data Mining Framework. Multidisciplinary Science Journal, 5, 2023ss0310. https://doi.org/10.31893/multiscience.2023ss0310

Huang, Z., Zheng, H., Li, C., & Che, C. (2024). Application of Machine Learning-Based K-Means Clustering for Financial Fraud Detection. Academic Journal of Science and Technology, 10(1), 33–39. https://doi.org/10.54097/74414c90

Wang, A., & Yu, H. (2022). The Construction and Empirical Analysis of the Company’s Financial Early Warning Model Based on Data Mining Algorithms. Journal of Mathematics, 2022(1). https://doi.org/10.1155/2022/3808895

Yuan, D., Gazi, Md. A. I., Harymawan, I., Dhar, B. K., & Hossain, A. I. (2022). Profitability Determining Factors of Banking Sector: Panel Data Analysis of Commercial Banks in South Asian Countries. Frontiers in Psychology, 13. https://doi.org/10.3389/fpsyg.2022.1000412