Penerapan Metode K-Medoids untuk Segmentasi Nasabah pada Dataset Bank Marketing
Keywords:
K-Medoids, Clustering, Segmentasi Nasabah, Bank Marketing, Data MiningAbstract
Perkembangan di bidang teknologi informasi telah meningkatkan penggunaan data untuk membantu proses pengambilan keputusan dalam industri perbankan. Salah satu aplikasinya adalah dalam segmentasi pelanggan untuk memperoleh pemahaman yang lebih mendalam mengenai karakteristik nasabah. Tujuan dari penelitian ini adalah untuk menerapkan algoritma K-Medoids dalam melakukan segmentasi nasabah menggunakan Dataset Bank Marketing. Proses penelitian mencakup pembersihan data, pemilihan fitur, transformasi logaritmik, normalisasi dengan StandardScaler, reduksi dimensi melalui Principal Component Analysis (PCA), proses pengelompokan dengan K-Medoids, dan evaluasi menggunakan Silhouette Score. Hasil dari pengujian mengindikasikan bahwa jumlah kluster yang paling optimal diperoleh pada K=2, dengan nilai Silhouette Score sebesar 0,6423, yang menunjukkan bahwa kualitas kluster tersebut cukup baik. Proses pengelompokan ini berhasil mengkategorikan nasabah ke dalam dua kelompok utama yang didasarkan pada karakteristik keuangan dan riwayat interaksi pemasaran. Perbedaan karakteristik antara kluster menyiratkan bahwa atribut balance, duration, pdays, dan previous berkontribusi dalam pembentukan kelompok nasabah. Temuan dari penelitian ini menegaskan bahwa algoritma K-Medoids merupakan alat yang efisien untuk segmentasi nasabah dan dapat membantu dalam merancang strategi pemasaran yang lebih terarah di sektor perbankan.
References
Ardana, C. H., Aldita, A., Aisyah, A., Khoyum, A., & Faisal, M. (2024). Segmentasi Pelanggan Penjualan Online Menggunakan Metode K- means Clustering. 9(1), 1–9.
Centroid, I., Algorithm, O. K., Particle, U., & Optimization, S. (2024). Optimasi Centroid Awal Algoritma K-Medoids Menggunakan Particle Swarm Optimization Untuk Segmentasi Customer. 23(1), 221–232.
Fikri, A., Hutabarat, B. F., & Khaira, U. (2023). Komparasi K-Means Clustering Dan Complete Linkage Dalam Pengelompokan Penyaluran Pinjaman Financial Technology. 17(2), 228–239.
Karimah, M., & Pahira, W. (2022). Penerapan Algoritma Apriori Pada Prediksi Penjualan Tanaman Hias Bromelia ( Studi Kasus : Karimah Flora ). 7(1), 68–78.
Pelanggan, S., & Masa, D. I. (2024). INTI NUSA MANDIRI. 18(2), 192–200.
R, D. G. U. I. (2023). Implementasi k - medoids dan model weighted-length recency frequency monetary (w-lrfm) untuk segmentasi pelanggan dilengkapi gui r 1,2,3. 11, 429–438. https://doi.org/10.14710/J.GAUSS.11.3.429-438
Rohman, N., & Wibowo, A. (2024). Perbandingan Metode K-Medoids dan Metode K-Means Dalam Analisis Segmentasi Pelanggan Mall. 7(1), 49–58.
Siregar, B. (2024). Comparative Analysis of K-Means and K-Medoids Algorithms for Product Sales Clustering and Customer. 7(2), 360–370.
