Algoritme K-Means dalam Pengelompokan Kantor Cabang untuk Optimalisasi Manajemen Perbankan

Authors

  • Angga Ardhianto Magister Ilmu Komputer, Fakultas Teknologi Informasi, Universitas Budi Luhur
  • Bowo Relawanto Magister Ilmu Komputer, Fakultas Teknologi Informasi, Universitas Budi Luhur
  • Arief Wibowo Magister Ilmu Komputer, Fakultas Teknologi Informasi, Universitas Budi Luhur

DOI:

https://doi.org/10.61769/telematika.v15i2.351

Keywords:

Data mining, K-Means algorithm, banking, branch segmentation, optimizing management

Abstract

Branch segmentation is needed by companies to facilitate management in planning and managing these branches. Mistakes in determining the segmentation or grouping of branches will have an impact on planning or management, such as the efficiency of operational costs, calculation of branch performance, operational supervision, and optimization of company resources. As a first step in optimizing branch management, optimal branch grouping, or according to branch similarities, can be adjusted to the size or size of a branch. In the supervisory and monitoring functions, this grouping is also a consideration and prioritization of supervision, where large branches will of course use different plans with smaller branches. In setting the budget to avoid potential fraud, it is best if the operating budget is adjusted according to the size of the branch. This study uses the K-Means algorithm to classify branch offices based on transactions per month and the number of types of transactions according to the required segmentation. Branches can be grouped into large, medium, and small groups. The results show that the K-Means algorithm can produce bank branch groupings based on the number of types of transactions and the average transaction per month, which is divided into three clusters. The three clusters are the large branch cluster or cluster 1, the intermediate branch cluster or cluster 2, and the small branch cluster or cluster 3. The test uses the Davies Bouldin Index of 0.5.


Segmentasi cabang diperlukan perusahaan untuk mempermudah manajemen dalam membuat perencanaan dan pengelolaan cabang-cabang tersebut. Kesalahan penentuan segmentasi atau pengelompokan cabang akan berdampak pada perencanaan atau pengelolaan, seperti pada efisiensi biaya operasional, penghitungan kinerja cabang, pengawasan operasional, dan optimalisasi sumber daya perusahaan. Sebagai langkah awal dalam optimalisasi pengelolaan cabang, pengelompokan cabang yang optimal, atau sesuai dengan kemiripan cabang, bisa disesuaikan dengan besar atau kecilnya sebuah cabang. Dalam fungsi pengawasan dan pemanatauan, pengelompokan ini juga menjadi pertimbangan dan prioritisasi pengawasan, di mana cabang besar tentunya akan menggunakan perencanaan yang berbeda dengan cabang yang lebih kecil. Dalam pengaturan anggaran untuk menghindari potensi fraud, sebaiknya anggaran operasional disesuaikan dengan besarnya cabang tersebut. Penelitian ini menggunakan algoritme K-Means untuk mengelompokkan kantor cabang berdasarkan transaksi per bulan dan jumlah jenis transaksi sesuai dengan segmentasi yang dibutuhkan. Cabang dapat dikelompokkan menjadi kelompok besar, sedang, dan kecil. Hasil penelitian menunjukan bahwa algoritme K-Means ini dapat menghasilkan pengelompokan cabang-cabang bank berdasarkan jumlah jenis transaksi dan rata-rata transaksi per bulan yang dibagi menjadi tiga cluster. Ketiga cluster itu adalah clustercabang besar atau cluster 1, clustercabang menengah atau cluster 2, dan clustercabang kecil atau cluster 3. Pengujian menggunakan Davies Bouldin Index sebesar 0,5.

Author Biographies

Angga Ardhianto, Magister Ilmu Komputer, Fakultas Teknologi Informasi, Universitas Budi Luhur

Meraih Sarjana Komputer (S.Kom) di Universitas Budi Luhur. Saat ini sebagai karyawan swasta yang fokus dalam dunia perbankan sejak tahun 2003.

Bowo Relawanto, Magister Ilmu Komputer, Fakultas Teknologi Informasi, Universitas Budi Luhur

Meraih Sarjana Komputer (S.Kom) di Universitas Mercu Buana, Karyawan swasta sebagai programmer dan analyst yang fokus pada pengembangan perangkat lunak pada aplikasi website dan aplikasi mobile.

Arief Wibowo, Magister Ilmu Komputer, Fakultas Teknologi Informasi, Universitas Budi Luhur

Dosen senior (Associate Professor) di Fakultas Teknologi Informasi Universitas Budi Luhur - Jakarta Indonesia. Meraih gelar Doktor Ilmu Komputer dari Universitas Gadjah Mada, Indonesia. Bidang penelitiannya adalah data mining/text mining, knowledge management, user behavior, dan acceptance of information technology.

References

W. Nurul Rohmawati, dkk, “Implementasi algoritme K-Means dalam pengklasteran mahasiswa pelamar beasiswa,” Jitter 2015, vol. I, no. 2, hlm. 62–68, 2015.

B. M. Metisen dan H. L. Sari, “Analisis clustering menggunakan metode K-Means dalam pengelompokkan penjualan produk pada Swalayan Fadhila,” J. Media Infotama, vol. 11, no. 2, hlm. 110–118, 2015.

M. G. Sadewo, A. P. Windarto, dan A. Wanto, “Penerapan algoritme clustering dalam mengelompokkan banyaknya desa/kelurahan menurut upaya antisipasi/mitigasi bencana alam menurut provinsi dengan K-Means,” dalam Komik (Konferensi Nas. Teknol. Inf. dan Komputer), vol. 2, no. 1, hlm. 311–319, 2018.

F. Nasari dan S. Darma, “Penerapan K-Means Clustering pada data penerimaan mahasiswa baru (studi kasus: Universitas Potensi Utama),” dalam Semnasteknomedia Online, vol. 3, no. 1, hlm. 6–8, 2015.

M. G. Sadewo, A. P. Windarto, dan D. Hartama, “Penerapan data mining pada populasi daging ayam ras pedaging di Indonesia berdasarkan provinsi menggunakan K-Means Clustering,” Infotekjar (Jurnal Nas. Inform. dan Teknol. Jaringan), vol. 2, no. 1, hlm. 60–67, 2017.

R. A. Riadi dan M. D. Kartikasari, “Implementasi K-Means clustering dan regresi logistik ordinal terhadap kinerja cabang PT X,” dalam Prosiding Sendika, vol. 6, no. 1, hlm. 47–57, 2020.

Y. Mardi, “Data mining: klasifikasi menggunakan algoritme C4.5,” J. Edik Inform., vol. 2, no. 2, hlm. 213–219, 2017.

N. Ahmad Syaripul dan A. Mukharil Bachtiar, “Visualisasi data interaktif data terbuka Pemerintah Provinsi DKI Jakarta: topik ekonomi dan keuangan daerah,” J. Sist. Inf., vol. 12, no. 2, hlm. 15–29, 2016.

I. Parlina, A. P. Windarto, A. Wanto, dan M. R. Lubis “Memanfaatkan algoritme K-Means dalam menentukan pegawai yang layak mengikuti asessment center untuk clustering program SDP,” Computer Engineering, Science, and System Journal, vol. 3, no. 1, hlm. 87–93, 2018.

F. E. M. Agustin, “Implementasi algoritme K-Means untuk menentukan kelompok pengayaan materi mata pelajaran ujian nasional (studi kasus: SMP Negeri 101 Jakarta),” J. Tek. Inform., vol. 8, no. 1, hlm. 73–78, 2015.

Downloads

Additional Files

Published

2021-02-28

Issue

Vol. 15 No. 2 (2020)

Section

Articles

License

 

You are free to:

  1. Share — copy and redistribute the material in any medium or format for any purpose, even commercially.
  2. Adapt — remix, transform, and build upon the material for any purpose, even commercially.
  3. The licensor cannot revoke these freedoms as long as you follow the license terms.

Under the following terms:

  1. Attribution — You must give appropriate credit, provide a link to the license, and indicate if changes were made. You may do so in any reasonable manner, but not in any way that suggests the licensor endorses you or your use.
  2. ShareAlike — If you remix, transform, or build upon the material, you must distribute your contributions under the same license as the original.
  3. No additional restrictions — You may not apply legal terms or technological measures that legally restrict others from doing anything the license permits.

Notices:

You do not have to comply with the license for elements of the material in the public domain or where your use is permitted by an applicable exception or limitation.

No warranties are given. The license may not give you all of the permissions necessary for your intended use. For example, other rights such as publicity, privacy, or moral rights may limit how you use the material.