SEGMENTASI PEMEGANG KARTU KREDIT MELALUI KLASTERISASI K-MEANS MENGGUNAKAN BAHASA PEMROGRAMAN PYTHON

Penulis

  • Agil Haubi Zikri Universitas Muhammadiyah Jakarta
  • Rita Dewi Risanty Universitas Muhammadiyah Jakarta

Abstrak

Dalam perkembangan ekonomi yang cepat, penggunaan kartu kredit telah menjadi sangat penting. Kartu kredit, sebagai instrumen pembayaran yang diterbitkan oleh bank, memberikan kemampuan kredit kepada pemiliknya untuk melakukan pembelian barang atau layanan. Namun, penggunaannya mengalami penurunan yang signifikan akibat perubahan pola hidup dan dampak pandemi Covid-19. Survei perbankan menunjukkan tren penurunan dalam transaksi kartu kredit, yang dipicu oleh pengurangan pendapatan masyarakat selama pandemi. Untuk mengatasi tantangan ini, bank perlu mengembangkan strategi bisnis yang efektif. Salah satu pendekatan yang dapat digunakan adalah klasterisasi dengan algoritma K-Means. Algoritma K-Means merupakan teknik klasterisasi yang efektif digunakan untuk mengelompokkan data dengan tujuan memaksimalkan kesamaan antara variabel sambil tetap mempertahankan perbedaan karakteristiknya. Dengan mengimplementasikan algoritma ini dalam bahasa pemrograman Python, bank dapat memperoleh pemahaman yang lebih mendalam tentang preferensi dan kebutuhan dari setiap segmen pemegang kartu kredit. Demikian, algoritma K-Means dapat membantu dalam pengembangan strategi bisnis yang lebih efektif untuk meningkatkan penggunaan kartu kredit, serta mendapatkan nasabah baru. Selain itu, algoritma ini juga bermanfaat dalam mengatasi dampak penurunan penggunaan kartu kredit yang disebabkan oleh perubahan pola hidup masyarakat dan pandemi Covid-19. Hasil dari penelitian ini adalah pengelompokan data pengguna kartu kredit menjadi tiga kelompok yang dapat digunakan sebagai panduan dalam merumuskan strategi bisnis perbankan.

Referensi

Ahmed, M., Seraj, R., & Islam, S. M. S. (2020). The k-means Algorithm: A Comprehensive Survey and Performance Evaluation. Electronics, 9(8), 1295. https://doi.org/10.3390/electronics9081295

Dewri, L. V., Islam, Md. R., & Saha, N. K. (2016). Behavioral Analysis of Credit Card Users in a Developing Country: A Case of Bangladesh. International Journal of Business and Management, 11(4), 299. https://doi.org/10.5539/ijbm.v11n4p299

Dinata, R. K., Safwandi, S., Hasdyna, N., & Azizah, N. (2020). Analisis K-Means Clustering pada Data Sepeda Motor. INFORMAL: Informatics Journal, 5(1), 10. https://doi.org/10.19184/isj.v5i1.17071

Dudiyanto, M. (2021). PERTUMBUHANKARTU KREDIT DI INDONESIA DALAM PANDEMI COVID’19. Jurnal Manajemen, 11(1), 34–41.

Fitriani, M. N. R., Priyatna, B., Huda, B., Hananto, A. L., & Tukino, T. (2023). Implementasi Metode K-Means Untuk Memprediksi Status Kredit Macet. Jurnal Sistem Komputer Dan Informatika (JSON), 4(3), 554. https://doi.org/10.30865/json.v4i3.5953

Kurniawan, Y. I., & Barokah, T. I. (2020). Klasifikasi Penentuan Pengajuan Kartu Kredit Menggunakan K-Nearest Neighbor. Jurnal Ilmiah Matrik, 22(1), 73–82. https://doi.org/10.33557/jurnalmatrik.v22i1.843

Luthfi, E., & Wijayanto, A. W. (2021). Analisis perbandingan metode hirearchical, k-means, dan k-medoids clustering dalam pengelompokkan indeks pembangunan manusia Indonesia. INOVASI, 17(4), 761–773. https://doi.org/10.30872/jinv.v17i4.10106

Noviyanto, D. A., & Sukiman, S. J. F. X. (2022). ANALISIS STRATEGI PEMASARAN PRODUK KARTU KREDIT DALAM MENARIK MINAT DAN KEPUASAN MASYARAKAT GENERASI MILENIAL MENJADI CALON NASABAH DIERA PANDEMI COVID 19. Soetomo Business Review, 3(1), 125–165.

Raharjo, B. (2021). FINTECH TEKNOLOGI FINANSIAL PERBANKAN DIGITAL. Penerbit Yayasan Prima Agus Teknik.

Vaishali, V. (2014). Fraud Detection in Credit Card by Clustering Approach. International Journal of Computer Applications, 98(3), 29–32. https://doi.org/10.5120/17164-7225

##submission.downloads##

Diterbitkan

2025-08-21