Segmentasi Nasabah Kartu Kredit Berdasarkan Pola Transaksi untuk Penentuan Profil Nasabah

Irfan Budiyanto, Arief Hermawan, Donny Avianto

Abstract


Segmentasi nasabah kartu kredit penting untuk optimasi strategi pemasaran dan personalisasi layanan. Penelitian ini mengusulkan sistem segmentasi nasabah berdasarkan pola transaksi, yaitu frekuensi dan nilai transaksi, menggunakan algoritma K-Means Clustering. Dataset dari Kaggle, yang telah melalui tahap preprocessing, digunakan untuk mengidentifikasi cluster optimal. Metode Elbow dan Silhouette digunakan untuk menentukan jumlah cluster, dan keduanya mengindikasikan jumlah cluster optimal sebanyak 3, dengan titik siku pada grafik inersia di k=3 dan skor Silhouette tertinggi juga di k=3.  Hasilnya, terdapat tiga cluster nasabah: nasabah aktif tarik tunai (ditandai dengan tingginya penggunaan cash advance), nasabah pasif (dengan frekuensi dan nilai transaksi rendah), dan nasabah aktif transaksi pembelian (dengan aktivitas pembelian tinggi dan penggunaan cash advance rendah). K-Means terbukti efektif dalam membagi nasabah menjadi tiga cluster berbeda ini.  Segmentasi ini memungkinkan strategi pemasaran yang lebih tertarget, seperti penawaran produk finansial yang relevan untuk setiap cluster, dan pada akhirnya dapat meningkatkan kepuasan nasabah serta profitabilitas.


Keywords


segmnentasi, kartu kredit, k means clustering, elbow method, silhouette score

References


S. Dwididanti and D. A. Anggoro, “Analisis Perbandingan Algoritma Bisecting K-Means dan Fuzzy C-Means pada Data Pengguna Kartu Kredit,” Emitor: Jurnal Teknik Elektro, vol. 22, no. 2, pp. 110–117, 2022, doi: 10.23917/emitor.v22i2.15677.

M. Alves Gomes and T. Meisen, A review on customer segmentation methods for personalized customer targeting in e-commerce use cases, vol. 21, no. 3. Springer Berlin Heidelberg, 2023. doi: 10.1007/s10257-023-00640-4.

H. Ramadhan, M. R. Abdan Kamaludin, M. A. Nasrullah, and D. Rolliawati, “Comparison of Hierarchical, K-Means and DBSCAN Clustering Methods for Credit Card Customer Segmentation Analysis Based on Expenditure Level,” Journal of Applied Informatics and Computing, vol. 7, no. 2, pp. 246–251, 2023, doi: 10.30871/jaic.v7i2.5790.

A. Saputra and R. Yusuf, “Perbandingan Algoritma DBSCAN dan K-MEANS dalam Segmentasi Pelanggan Pengguna Transportasi Publik Transjakarta Menggunakan Metode RFM,” MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 4, no. 4, pp. 1346–1361, 2024, doi: 10.57152/malcom.v4i4.1516.

F. D. S. Alhamdani, A. A. Dianti, and Y. Azhar, “Segmentasi Pelanggan Berdasarkan Perilaku Penggunaan Kartu Kredit Menggunakan Metode K-Means Clustering,” JISKA (Jurnal Informatika Sunan Kalijaga), vol. 6, no. 2, pp. 70–77, 2021, doi: 10.14421/jiska.2021.6.2.70-77.

A. R. Savira, A. M. Siregar, and D. S. Kusumaningrum, “Optimizing Clustering Models Using Principle Component Analysis for Car Customers,” no. x, pp. 1–12, 2012, doi: 10.22146/ijccs.xxxx.

V. Djurisic, L. Kascelan, S. Rogic, and B. Melovic, “Bank CRM Optimization Using Predictive Classification Based on the Support Vector Machine Method,” Applied Artificial Intelligence, vol. 34, no. 12, pp. 941–955, 2020, doi: 10.1080/08839514.2020.1790248.

S. Nofal, “Identifying highly-valued bank customers with current accounts based on the frequency and amount of transactions,” Heliyon, vol. 10, no. 13, 2024, doi: 10.1016/j.heliyon.2024.e33490.

A. Ullah et al., “Customer Analysis Using Machine Learning-Based Classification Algorithms for Effective Segmentation Using Recency, Frequency, Monetary, and Time,” Sensors, vol. 23, no. 6, p. 3180, 2023, doi: 10.3390/s23063180.

S. Monalisa, Y. Juniarti, E. Saputra, F. Muttakin, and T. K. Ahsyar, “Customer segmentation with RFM models and demographic variable using DBSCAN algorithm,” Telkomnika (Telecommunication Computing Electronics and Control), vol. 21, no. 4, pp. 742–749, 2023, doi: 10.12928/TELKOMNIKA.v21i4.22759.

A. P. Bagustio, A. I. Purnamasari, and Irfan Ali, “Analisis Data Penjualan Menggunakan Algoritma K-Means Clustering Pada Toko Kecantikan Putri,” PROSISKO: Jurnal Pengembangan Riset dan Observasi Sistem Komputer, vol. 11, no. 2, pp. 159–167, 2024, doi: 10.30656/prosisko.v11i2.7928.

J. M. Spoor, “Improving customer segmentation via classification of key accounts as outliers,” Journal of Marketing Analytics, vol. 11, no. 4, pp. 747–760, 2023, doi: 10.1057/s41270-022-00185-4.

F. P. Rachman, H. Santoso, and A. Djajadi, “Machine Learning Mini Batch K-means and Business Intelligence Utilization for Credit Card Customer Segmentation,” International Journal of Advanced Computer Science and Applications, vol. 12, no. 10, pp. 218–227, 2021, doi: 10.14569/IJACSA.2021.0121024.

H. Kishendrian, N. Hanum, C. Prianto, and W. I. Rahayu, “Penerapan Metode Clustering Dalam Segmentasi Pelanggan Perusahaan Logistik,” SINTECH (Science and Information Technology) Journal, vol. 6, no. 3, pp. 137–146, 2023, doi: 10.31598/sintechjournal.v6i3.1432.

D. A. Manalu and G. Gunadi, “IMPLEMENTASI METODE DATA MINING K-MEANS CLUSTERING TERHADAP DATA PEMBAYARAN TRANSAKSI MENGGUNAKAN BAHASA PEMROGRAMAN PYTHON PADA CV DIGITAL DIMENSI,” Infotech: Journal of Technology Information, vol. 8, no. 1, pp. 43–54, Jun. 2022, doi: 10.37365/jti.v8i1.131.

Y. Christian and K. O. Y. R. Qi, “Penerapan K-Means pada Segmentasi Pasar untuk Riset Pemasaran pada Startup Early Stage dengan Menggunakan CRISP-DM,” JURIKOM (Jurnal Riset Komputer), vol. 9, no. 4, p. 966, 2022, doi: 10.30865/jurikom.v9i4.4486.

M. Y. Smaili and H. Hachimi, “New RFM-D classification model for improving customer analysis and response prediction,” Ain Shams Engineering Journal, vol. 14, no. 12, p. 102254, 2023, doi: 10.1016/j.asej.2023.102254.

H. J. Wilbert, A. F. Hoppe, A. Sartori, S. F. Stefenon, and L. A. Silva, “Recency, Frequency, Monetary Value, Clustering, and Internal and External Indices for Customer Segmentation from Retail Data,” Algorithms, vol. 16, no. 9, 2023, doi: 10.3390/a16090396.

C. C. H. Chan, “Intelligent value-based customer segmentation method for campaign management: A case study of automobile retailer,” Expert Syst Appl, vol. 34, no. 4, pp. 2754–2762, 2008, doi: 10.1016/j.eswa.2007.05.043.

P. S. Kurniawan, “Perancangan Data Mining untuk Analisis Kriteria Nasabah Kredit yang Potensial dan Manfaatnya untuk Customer Relationship Management Perbankan,” Journal of Accounting and Investment, vol. 16, no. 2, pp. 155–174, 2015, doi: 10.18196/jai.2015.0040.155-174.




DOI: http://dx.doi.org/10.26798/jiko.v9i3.1669

Article Metrics

Abstract view : 0 times
PDF (Bahasa Indonesia) - 0 times

Refbacks

  • There are currently no refbacks.


Bookmark and Share


Copyright (c) 2025 Irfan Budiyanto

JIKO (Jurnal Informatika dan Komputer)

Published by
Lembaga Penelitian dan Pengabdian Masyarakat
Universitas Teknologi Digital Indonesia (d.h STMIK AKAKOM)

Jl. Raya Janti (Majapahit) No. 143 Yogyakarta, 55198
Telp. (0274)486664

Website : https://www.utdi.ac.id/

e-ISSN : 2477-3964 
p-ISSN : 2477-4413

Creative Commons License

This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.