PENERAPAN ALGORITMA K-MEANS DAN ELBOW METHOD UNTUK ANALISIS POLA KETERLAMBATAN PEMBAYARAN SANTRI PADA SISTEM KEUANGAN PESANTREN BERBASIS MACHINE LEARNING

Alan .; Ade Irma; Denni Pratama; Riri Narasati

Authors

Alan . STMIK IKMI Cirebon, Indonesia
Ade Irma STMIK IKMI Cirebon, Indonesia
Denni Pratama STMIK IKMI Cirebon, Indonesia
Riri Narasati STMIK IKMI Cirebon, Indonesia

Keywords:

K-Means Clustering, ElBOW, Keterlambatan Pembayaran

Abstract

Pengelolaan keuangan Pesantren Kebon Kelapa Al Ma’rifah masih menghadapi tantangan signifikan terkait keterlambatan pembayaran administrasi santri yang berdampak pada kestabilan arus kas dan efektivitas perencanaan keuangan. Keterbatasan sistem manual dan absennya analisis berbasis data menyebabkan pengelola kesulitan dalam memetakan pola keterlambatan serta mengidentifikasi kelompok santri yang berisiko tinggi menunggak pembayaran. Penelitian ini bertujuan menganalisis pola keterlambatan pembayaran santri dengan menerapkan algoritma K-Means Clustering serta menentukan jumlah klaster optimal menggunakan Elbow Method. Data yang digunakan merupakan data transaksi pembayaran santri tahun 2025 yang terdiri dari tanggal jatuh tempo, tanggal pembayaran, jumlah tagihan, nominal pembayaran, dan jumlah hari keterlambatan. Proses penelitian meliputi pengumpulan data administratif dan transaksi historis, praproses data seperti pembersihan, rekonsiliasi format tanggal, normalisasi fitur, serta rekayasa variabel keterlambatan. Selanjutnya dilakukan evaluasi Within-Cluster Sum of Squares (WCSS) untuk menentukan jumlah klaster optimal sebelum model K-Means diterapkan. Hasil analisis menunjukkan bahwa tiga klaster merupakan konfigurasi paling ideal, yaitu kelompok pembayar tepat waktu, kelompok dengan keterlambatan sedang, dan kelompok dengan perilaku keterlambatan tinggi. Analisis centroid mengungkap variabel keterlambatan hari sebagai penentu paling dominan dalam pembentukan klaster. Temuan ini membuktikan bahwa metode machine learning, khususnya K-Means, efektif dalam memetakan perilaku pembayaran santri secara komputasional dan objektif. Hasil penelitian ini tidak hanya memberikan gambaran segmentasi perilaku pembayaran, tetapi juga dapat membantu pihak pesantren dalam merumuskan strategi pengelolaan risiko, menetapkan kebijakan pengingat pembayaran, serta meningkatkan efisiensi arus kas. Dengan demikian, penelitian ini memberikan kontribusi praktis bagi modernisasi sistem keuangan pesantren serta kontribusi teoretis bagi penerapan metode clustering dalam konteks analisis administrasi pendidikan berbasis data.

References

S. Soimah and E. Susilowati, “Penerapan Metode K-Means Cluster untuk Mengklasifikasikan Pembayaran SPP Siswa,” Jurnal Pembelajaran dan Matematika SIGMA, 2023.

M. A. Khoiri, R. B. Kotjoprayudi, and A. Y. Eskaluspita, “Analisis Cluster Terhadap Pengelompokan Preferensi Pengguna Pembayaran Digital,” MALCOM, 2025.

M. R. Widianto, Zakaria;, and Irvan;, “Penerapan Data Mining untuk Klasterisasi Data APBD Menggunakan K-Means,” Jurnal JTIK, 2025.

S. Sutiono, R. F. Wijaya, and M. S. Novelan, “Analisis Metode K-Means Clustering untuk Pengelompokan Jadwal Mengajar Guru,” INTECOMS, 2023.

S. Maghfiroh and Z. Fatah, “Analisis Data Mining dengan Algoritma K-Means untuk Menentukan Siswa Berprestasi,” JAMASTIKA, 2025.

F. Yenila, H. Marfalino, and S. Defit, “Model Analisis Machine Learning dalam Penentuan Kolektabilitas,” JST, 2024.

J. Xu, K. Xu, Y. Wang, Q. Shen, and R. Li, “A K-means Algorithm for Financial Market Risk Forecasting,” arXiv, 2024.

T. L. Quy, G. Friege, and E. Ntoutsi, “A Review of Clustering Models in Educational Data Science Towards Fairness-Aware Learning,” arXiv, 2023.

A. M. Ikotun, L. Ezugwu, B. Abualigah, B. Abuhaija, and J. Heming, “K-Means Clustering Algorithms: A Comprehensive Review,” Information Sciences, 2023.

Q. A. A’yuniyah and M. Reza, “Penerapan Data Mining Dengan Menggunakan Algoritma K-Means untuk Pembagian Jurusan SMA,” JoSYC, 2024.