Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Desember, 2025 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: 3109-1350 Received: Oktober 2025.
Accepted: November 2025.
Published: Desember 2025 DOI: 10.
36350/jskom.
Penerapan Metode K-Means Clustering untuk Menentukan Debitur Existing Penerima Pinjaman KUR Ariyati Wuri Kesumaningtias1*.
Binanda Wicaksana2 Program Studi Sistem Informasi.
Fakultas Informatika dan Komputer.
Universitas Binaniaga Indonesia email: arya.
kyoukun@yahoo.
*Corresponding Author
ABSTRACT
One of the factors influencing the health level of a bank is its risk profile.
The risk profile includes credit risk, which financial institutions must anticipate when providing loans to customers.
This process begins with an accurate analysis of debtors.
Account Officers are employees responsible for managing customer loans, which involves credit analysis, monitoring business development, and ensuring that debtors pay their principal loan installments and interest on time.
To identify eligible debtors for loans.
Account Officers need to first classify debtor data.
This study focuses on grouping eligible debtors using the K-Means Algorithm.
The K-Means Algorithm is utilized as an effective data mining technique for clustering to achieve accurate data.
The data used in this study includes attributes such as loan term, current collectability, previous collectability, business inventory, business results, and loan installments.
The analysis process employs the Silhouette Coefficient Method to measure cluster performance, yielding a score of 0.
7299, which falls into the "Strong Structure" category in terms of data similarity.
This research has undergone testing, including expert validation with a feasibility percentage of 100%, indicating that the system is viable for development, and user testing, which resulted in a score of 89.
85%, categorizing the developed program as highly feasible for further enhancement.
Keywords: data mining, k-means, credit risk, silhouette coefficient, debtor
ABSTRAK
Salah satu faktor yang mempengaruhi tingkat kesehatan bank yaitu profil risiko.
Pada profil risiko terdapat risiko kredit yang harus diantisipasi oleh lembaga keuangan dalam memberikan pinjaman kepada nasabah yang diawali dengan proses analisa debitur dengan tepat.
Account Officer adalah karyawan yang bertugas mengelola kredit nasabah yang didalamnya terdapat proses analisa kredit, pemantauan perkembangan usaha dan memastikan debitur membayar tunggakan pinjaman pokok dan bunga tepat waktu.
Untuk memperoleh debitur yang layak diberikan pinjaman.
Account Officer perlu melakukan pengelompokan data debitur terlebih dahulu.
Penelitian ini dilakukan untuk pengelompokan debitur yang layak diberikan pinjaman dengan menggunakan Algoritma K-Means.
Algoritma K-Means digunakan sebagai salah satu teknik data mining yang efektif dalam pengelompokan untuk memperoleh data yang akurat.
Data yang digunakan mencakup atribut seperti, jangka waktu pinjaman, kolektabilitas saat ini, kolektabilitas sebelumnya, persediaan usaha, hasil usaha dan angsuran pinjaman.
Proses analisis dilakukan dengan menggunakan Metode Silhouette Coefficient untuk mengukur performa cluster dan diperoleh nilai sebesar 0.
7299 yang termasuk dalam kategori Strong Structure untuk tingkat kemiripan data.
Penelitian ini sudah dilakukan pengujian diantaranya uji ahli dengan nilai pesentase kelayakan sebesar 100% yang artinya sistem dapat dikembangkan, serta uji pengguna dengan nilai sebesar 89.
85% yang artinya program yang dibuat termasuk kategori sangat layak untuk dikembangkan.
Kata Kunci: data mining, k-means, risiko kredit, silhouette coeffisient, debitur
PENDAHULUAN
LATAR BELAKANG
Menurut Undang-Undang No.
20 Tahun 2008.
UMKM (Usaha Mikro Kecil dan Menenga.
memiliki pengertian sebagai Usaha Mikro, yaitu usaha produktif milik orang perorangan dan atau badan usaha perorangan yang memenuhi kriteria usaha mikro sebagaimana diatur dalam undang-undang.
UMKM memiliki peran strategis dalam perekonomian nasional baik dalam meningkatkan pertumbuhan ekonomi maupun dalam menyerap tenaga kerja dimana sebagian besar pengusaha atau pelaku UMKM merupakan kegiatan usaha rumah tangga yang memungkinkan menyerap banyak tenaga kerja dan membantu mengurangi tingkat pengangguran.
Berdasarkan data dari Kamar Dagang dan Industri (KADIN) Indonesia.
UMKM menyumbang hingga 99% dari total unit usaha di Indonesia.
Pada tahun 2023, jumlah pelaku usaha UMKM mencapai sekitar 66jt, dengan kontribusi terhadap Pendapatan Domestik Bruto (PDB) melampaui 61% atau setara Rp.
580 Trilyun.
UMKM juga mampu menyerap sekitar 117 juta tenaga kerja, yang mencakup 97% dari total tenaga kerja nasional.
Meningkatnya industri UMKM yang sebagian besar adalah industri rumahan sangat berpengaruh pada kebutuhan modal dalam mengembangkan usaha, disinilah peran pemerintah dalam memberikan fasilitas pemberian modal usaha salah satunya dengan meluncurkan Program Kredit Usaha Rakyat (KUR).
Program Kredit Usaha Rakyat (KUR) pertama kali diluncurkan pada tanggal 5 November 2007 yang bertujuan untuk memberdayakan Usaha Mikro.
Kecil.
Menengah dan Koperasi (UMKM) di Indonesia dengan pembiayaan yang bersumber dai dana perbankan atau lembaga keuangan yang merupakan penyalur KUR.
Dalam proses penyaluran pinjaman, lembaga keuangan dan perbankan perlu melakukan analisa kredit yang bertujuan untuk meminimalisir risiko kredit macet dan memastikan bahwa kredit yang digunakan sesuai dengan perjanjian.
Analisis kredit dapat dilakukan dengan menggunakan pinsip 5C .
haracter, capacity, capital, collateral, condition of econom.
, 5P .
urpose, payment, people, protection, perspectiv.
, dan 3R .
isk, return, relationshi.
PERMASALAHAN Berdasarkan data yang ditunjukkan pada Tabel 1.
2 terdapat data debitur yang diberikan penawaran berjumlah 418 dari total 425 debitur existing dengan status kolektabilitas 1 .
dan kolektabilitas 2 .
alam perhatian Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Desember, 2025 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: 3109-1350 khusu.
, sedangkan sisanya, 7 debitur lainnya tidak mendapatkan penawaran karena status kolektabilitas 3 .
urang lanca.
, kolektabilitas 4 .
, dan kolektabilitas 5 .
Terlihat adanya debitur atas nama Sri Retno dengan status kolektabilitas 2 yang memperoleh penawaran pinjaman, meskipun mayoritas debitur lainnya berstatus kolektabilitas 1.
Selain itu, debitur atas nama Atang, yang meskipun memiliki nilai plafond dan outstanding yang masih tinggi, tetap diberikan penawaran pinjaman.
Dari data pengelompokan tersebut belum tepat karena hanya dinilai dari status kolektabilitasnya saja.
Dari hasil identifikasi tersebut, maka penelitian akan menambahkan atribut pendukung lainya yang masih relevan dengan kriteria pemilihan debitur, yaitu: jangka waktu, kolektabilitas sekarang, kolektabilitas sebelumnya, persediaan usaha, hasil usaha, dan angsuran pinjaman.
Tabel 1 Sampel Data Debitur Periode TW 3 Juli-September 2023
NAMA
DEBITUR
HELI SUPART
NURKAM
TOTONG
ABSOH
RONIAH
SITI ROAH
SUTARMAN
TURSIWAN
APIP SH
INTAN SARI
ATANG
TENDI SETIA
OJA
HAYATI
M RIKI N
SUTARYAT
SALIM
START_DATE
MAT_DATE
PLAFOND
OUTSTANDING
9/21/2020
9/18/2022
8/9/2022
8/8/2022
9/28/2020
8/24/2021
8/24/2021
9/8/2022
7/27/2021
9/15/2020
3/13/2022
8/25/2020
8/23/2020
8/30/2020
8/11/2021
8/8/2021
8/16/2022
9/21/2023
9/18/2023
8/9/2023
8/8/2023
9/28/2023
8/24/2023
8/24/2023
9/8/2023
7/27/2023
9/15/2023
9/13/2023
8/25/2023
8/23/2023
8/30/2023
8/11/2023
8/82023
8/16/2023
COLLECT
Berdasarkan permasalahan diatas maka dapat diidentifikasi masalah sebagai berikut:
Proses pengelompokan debitur yang berhak memperoleh penawaran pinjaman belum berjalan secara efektif karena tidak mempertimbangkan faktor-faktor pendukung lainnya yang lebih relevan.
Data debitur existing yang memenuhi kriteria untuk mendaparkan penawaran pinjaman kembali belum dikelompokkan dengan tepat, sehingga berpotensi menyebabkan penawaran diberikan kepada debitur yang kurang layak.
TUJUAN
Tujuan dari penelitian ini adalah:
Menghasilkan proses yang lebih efektif dalam pengelompokkan debitur yang layak menerima penawaran Mengelompokkan secara akurat debitur yang layak menerima penawaran pinjaman.
Mengembangkan prototype aplikasi untuk pengelompokan debitur yang layak menerima penawaran Mengukur tingkat akurasi dan efektivitas penerapan metode K-Means Clustering untuk pengelompokan TINJAUAN PUSTAKA Data Mining Clustering Data mining menurut David Hand.
Heikki Mannila, dan Padhraic Smyth dari MIT adalah analisis terhadap data .
iasanya data yang berukuran besa.
untuk menemukan hubungan yang jelas serta menyimpulkannya yang belum diketahui sebelumnya dengan cara terkini dipahami dan berguna bagi pemilik data tersebut Menurut Daryl Pregibon disebutkan bahwa Data Mining adalah perpaduan dari Statistik.
Artificial Intelligent dan Database (Gorunescu, 2.
Data Mining kemudian dikenal dengan nama KnowledgeDiscovery in Databases (KDD) (Rahmadya dan Herlawati,2020, pp.
KUR
Menurut Agusfianto dkk .
2,p.
secara sederhana, kredit diartikan sebagai penyaluran dana dari pihak pemilik dana kepada pihak yang memerlukan dana.
Penyaluran tersebut didasarkan atas kepercayaan yang diberikan oleh pemilik dana kepada pengguna dana, dimana kredit berasal dari Bahasa latin AuCredereAy yang berarti kepercayaan.
Artinya pihak yang memberikan kredit percaya kepada pihak yang menerima kredit bahwa kredit yang diberikan pasti akan dibayar.
CRISP-DM
Metodologi datamining CRISP-DM menjelaskan proses model proses secara hirarki, merupakan sekumpulan tugas yang dinyatakan dengan empat level abstrak .
ari umum ke spesifi.
, tahap, tugas umum, tugas khusus dan contoh proses .
roses instanc.
Pada level yang paling atas, proses datamining dikenal dengan empat tahap, masing-masing tahap terdiri dari beberapa tugas umum.
Tugas umum digunakan Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Desember, 2025 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: 3109-1350 sebagai pelengkap dan setabil mungkin.
Lengkap artinya mencakup baik proses data mining secara umum dan semua kemungkinan aplikasi data mining.
Stabil artinya model harus valid sebelum meramalkan pengembangan secara Teknik pemodelan yang baru (Mulaab, 2021, p.
Gambar 1.
Ilustrasi CRISP-DM (Sumber: Mulaab, 2021,p.
METODE
Metode Penelitian Menurut Ibnu Daqiqil .
K-Means adalah salah satu Auunsupervised machine learning algorithmsAy yang paling sederhana dan popular.
Tujuan dari agoritma ini adalah untuk menemukan grup dalam data, dengan jumlah grup yang diwakili oleh variable K.
Variabel K sendiri adalah jumlah kluster yang kita inginkan.
Metode K-Means Clustering berusaha mengelompokkan data yang ada kedalam beberapa kelompok, dimana data dalam satu kelompok mempunyai karakteristik yang sama satu sama lainnya dan mempunyai karakteristik yang berbeda dengan data yang ada didalam kelompok yang lain.
Karajkteristik yang sama itu ditandai dengan jarak atau distance yang lebih dekat, mirip seperti KNN.
Dengan kata lain, metode K-Means Clustering bertujuan untuk meminimalisir objective function yang diset dalam proses clustering dengan cara meminimalkan variasi antar data didalam suatu cluster dan memaksimalkan variasi dengan data yang ada di cluster lainnya.
Gambar 2.
Alur kerja Algoritma K-Means (Sumber: Putra dkk, 2.
Berikut ini merupakan penjelasan lebih lanjut terkait proses K-Means dari Gambar 2.
Pilih nikai K untuk menentukan jumlah cluster yang akan dibentuk Menetapkan titik K secara acak yang akan bertindak sebagai pusat cluster .
Menentukan nilai centroid dengan cara mengambil dari nilai rata-rata .
semua nilai data pada setiap fiturnya.
Jika M menyatakan jumlah data pada suatu kelompok, maka i menyatakan fitur ke-i dalah sebuah kelompok.
Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Desember, 2025 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: 3109-1350 Perhitungan jarak dari centroid cluster.
Untuk mengukur jarak antar data dengan centroidmenggunakan formula Euclidean distance.
Tetapkan setiap titik data, berdasarkan jaraknya dari titik yang dipilih secara acak .
, ke centroid terdekat, yang akan membentuk cluster yang telah ditentukan sebelumnya.
Tempatkan centroid baru dari setiap cluster.
Ulangi Langkah 3 sampai Langkah 5 hingga nilai titik centroid tidak berubah .
Jika telah konvergen, maka model baru siap digunakan.
Teknik Analisis Data Dalam penelitian ini menggunakan metode K-Means, uji hasil akan digunakan adalah Silhouette coefisien.
Metode ini digunakan untuk mengetahui tingkat kemiripan data melalui perhitungan jarak antar data, semakin kecil jarak antar data maka semakin tinggi kemiripan data tersebut.
Perhitungan nilai Silhouette Coeffisien terdapat dua komponen yaitu a.
dan b.
adalah rata-rata jarak data ke-i dengan semua data lainnya dalam satu cluster, sedangkan b.
didapaktkan dengan menghitung rata-rata jarak data ke-i terhadap semua data lainnya dalam satu cluster yang lain yang tidak dalam satu cluster dengan data ke-i, kemudian diambil yang Keterangan:
yc = cluster ycn = index data ycn.
= 1,2 A m.
ycayc = rata-rata jarak data ke-i terhadap semua data dalam satu cluster ycAyc = jumlah data dalam cluster ke-j ycc .
cuyc, ycu yc ) = jarak data ke-i dengan data ke-i dalam satu cluster j yc ycn Berikut ini adalah rumus perhitungan untuk mendapatkan nilai b.
Keterangan:
yc = cluster ycn = index data .
= 1,2 A m.
ycayc = rata-rata jarak data ke-i terhadap semua data yang tidak dalam satu cluster dengan data ke-i ycAyc = jumlah data dalam cluster ke-n ycc .
cuyc, ycuyc.
= jarak data ke-i dengan data ke-j dalam satu cluster n Kriteria subjektif menggunakan pengelompokan berdasarkan Silhouette Coeffisient menurut Kaufman dan Roesseeuw .
dapat dilihat pada tabel 2.
Tabel 2.
Silhouette Coefisien Skala Keterangan 71 Ae 1.
Strong Structure 52 Ae 0.
Medium Structure 26 Ae 0.
Weak Structure <= 0.
No Structure (Sumber: Kauffman dan Roesseeuw, 1990 Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Desember, 2025 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN
e-ISSN: 3109-1350
HASIL DAN PEMBAHASAN
Hasil Hasil Analisis Kebutuhan Gambar 3.
Proses Bisnis yang sedang berjalan Gambar 4.
Usecase Diagram Berdasarkan Gambar, terdapat kelemahan pada sistem lama, pada sistem baru, yang digambarkan dalam use case diagram, dijelaskan bahwa account officer selaku actor dalam sistem melakukan import data dengan 6 atribut yang digunakan untuk analisa data diantaranya jangka waktu, kolektabilitas sebelumnya, kolektabilitas sekarang, persediaan usaha, hasil usaha, dan angsuran pinjaman.
Perhitungan dengan Metode K-Means .
Menyiapkan dataset Dataset yang digunakan dapat dilihat pada tabel 4.
2 yang berisi 418 data dengan 6 variabel.
Tabel 3.
Penentuan Centroid Awal DB1
DB2
DB3
DB4
Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Desember, 2025 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN
e-ISSN: 3109-1350
DB5
DB415
Menentukan jumlah cluster Berdasarkan hasil analisa kebutuhan pengguna, dati tabel dataset akan dibuat 2 .
kelompok yaitu debitur yang menerima penawaran pinjaman dan debitur yang tidak menerima penawaran pinjaman.
Menentukan Centroid Awal Untuk penentuan centroid awal dilakukan secara acak dengan memilih data yang ada dalam dataset untuk dijadikan centroid awal.
Dalam pengelompokan data debitur ini, data yang dipilih menjadi centroid awal dalam perhitungan ini adalah data ke-115 dan data ke 356 yang dapat dilihat pada tabel Tabel 4.
Titik Awal Centroid Centroid 1 Centroid 2 .
Menghitung Jarak dengan Pusat Data .
Menghitung jarak setiap data input terhadap masing-masing pusat cluster menggunakan rumus euclidean distance untuk menghitung jarak objek dengan masing-masing centroid dengan rumus persamaan sebagai Keterangan:
i = jumlah data .
ow/bari.
j = jumlah fitur k = jumlah Centroid Iterasi I Data ke-1 pada iterasi I ycc .
cu1, yca.
= Oo.
Oe .
Oe .
Oe .
857 Oe 0.
057 Oe 0.
526 Oe 0.
2 = 2.
cu1, yca.
= Oo.
Oe .
Oe .
Oe .
857 Oe 0.
057 Oe 0.
526 Oe 0.
2 = 13.
Mengklasifikasikan setiap data berdasarkan kedekatannya dengan centroid .
arak terkeci.
Tabel 5.
Hasil Pengelompokan pada Iterasi-I
DB1
DB2
DB3
DB4
DB5
DB6
DB7
DB8
DB9
DB391
DB392
JARAK
CLUSTER
Memperbaharui Nilai centroid baru di peroleh dari rata-rata cluster yang bersangkutan dengan menggunakan rumus:
Keterangan:
Nk = jumlah data yang tergabung dalam cluster Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Desember, 2025 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: 3109-1350 Tabel 6 Titik Centroid Baru Iterasi ke-II Centroid .
Melakukan perulangan dari Langkah 4 hingga 6, sampai anggota tiap cluster tidak ada yang Iterasi ke-II Data ke-1 pada iterasi II ycc .
cu1, yca.
= Oo.
Oe 1.
Oe 1.
Oe 10.
857 Oe 0.
057 Oe 0.
526 Oe 0.
2 = 20.
cu1, yca.
= Oo.
Oe 1.
Oe 1.
Oe 49.
857 Oe 0.
057 Oe 0.
526 Oe 0.
2 = 18.
Iterasi ke-IV Data ke-1 pada iterasi IV ycc .
cu1, yca.
= Oo.
Oe 1.
Oe 1.
Oe 5.
857 Oe 0.
057 Oe 0.
526 Oe 0.
2 = 25.
cu1, yca.
= Oo.
Oe 1.
Oe 1.
Oe 38.
857 Oe 0.
057 Oe 0.
526 Oe 0.
2 = 8.
Tabel 7.
Hasil Iterasi ke-IV
DB2
DB3
DB5
JARAK
CLUSTER
DB6
DB7
DB8
DB9
DB10
DB11
DB416
DB418
Tabel 8.
Centroid Baru Iterasi 4 Centroid .
Hasil Cluster Cluster 1 (Kelompok Debitur Penerima Penawaran Pinjama.
Dari hasil perhitungan yang telah dilakukan dengan metode K-Means Clustering, diperoleh hasil sebanyak 289 debitur yang masuk dalam kelompok debitur yang mendapatkan penawaran pinjaman.
Debitur yang mendapatkan penawaran pinjaman adalah:
Tabel 9.
Kelompok Cluster 1 (Debitur Penerima Penawaran Pinjama.
A DB2
DB3
DB5
DB6
DB7
DB412
DB413
DB414
JARAK
CLUSTER
Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Desember, 2025 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN
e-ISSN: 3109-1350
DB415
DB417
JARAK
CLUSTER
Cluster 2 (Kelompok Debitur Tidak Menerima Penawaran Pinjama.
Dari hasil perhitungan yang telah dilakukan dengan metode K-Means Clustering, diperoleh hasil sebanyak 129 debitur yang masuk dalam kelompok debitur yang tidak mendapatkan penawaran pinjaman.
Debitur yang tidak mendapatkan penawaran pinjaman adalah:
Tabel 10 Kelompok Cluster 1 (Debitur Penerima Penawaran Pinjama.
A DB1
DB4
DB25
DB28
DB29
JARAK
CLUSTER
DB404
DB409
DB411
DB416
DB418
Pembahasan Berdasarkan hasil pengembangan terkait metode yang diterapkan telah dilakukan uji hasil dengan menerapkan metode Silhouette Coeffisient.
Silhouette Coeffisient adalah metrik untuk mengukur seberapa baik objek telah dikluster.
Nilainya berkisar antara -1 hingga 1, dimana nilai tinggi menunjukkan bahwa objek cocok dengan baik di dalam klusternya dan tidak cocok dengan kluster tetangga (Prihandoko dkk,2024,p.
Tabel 11.
Hasil Clustering A DATA
DB2
DB3
DB5
DB6
DB7
DB8
DB400
DB409
DB411
DB416
DB418
CLUSTER
Pada tabel 11 menunjukkan nilai cluster dari masing-masing data yang berjumlah 418 dengan anggota Cluster 1 sebanyak 289 debitur dan anggota Cluster 2 sebanyak 129 debitur.
Kemudian dari hasil perhitungan data diatas akan dilakukan perhitungan untuk mencari nilai silhouette coefficient dengan langkah-langkah sebagai berikut:
Menghitung jarak Euclidean antar data:
Tabel 12 Hasil perhitungan Jarak Euclidean NO DATA CLUSTER
DB2
DB3
DB5
413 DB400
414 DB404
415 DB409
Jarak
DB2
Jarak
DB3
Jarak
DB5
Jarak
DB400
Jarak
DB404
Jarak
DB409
Menghitung nilai a.
yaitu jarak rata-rata data dalam kelompok Cluster yang sama:
Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Desember, 2025 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: 3109-1350 Nilai a.
untuk data DB2.
Menghitung jarak data DB2.
DB3 s.
d DB417 .
ata pada Cluster 1 dengan jumlah sebanyak 289 dat.
ayaA400, yayaA.
ayaA400, yayaA.
U ycc.
ayaA400, yayaA.
Menghitung niai b.
yaitu jarak rata-rata data ke Cluster lain:
Nilai b.
untuk data DB2.
Menghitung jarak ke Cluster 2 yca.
ayaA2, yayaA.
ayaA2, yayaA.
U ycc.
ayaA2, yayaA.
Nilai b.
untuk data DB400.
Menghitung jarak ke Cluster 1 yca.
ayaA2, yayaA.
ayaA2, yayaA.
U ycc.
ayaA2, yayaA.
Nilai a.
untuk data DB400.
Menghitung jarak data mulai dari data DB1.
DB4 s.
d DB418 .
ata pada Cluster 2 dengan jumlah sebanyak 129 dat.
ayaA400, yayaA.
ayaA400, yayaA.
U ycc.
ayaA400, yayaA.
Menghitung nilai Silhouette Coeffisient:
Tabel 13.
Hasil perhitungan nilai a.
, b.
dan s.
A DATA
DB2
DB3
DB5
DB6
DB7
DB8
DB409
DB411
DB416
DB418
A b.
A s.
A Tabel 13 menunjukkan nilai a.
jarak data antar cluster, b.
jarak data dengan cluster lain, dan s.
nilai silhouette coefficient masing-masing data, sehingga diperoleh nilai s .
rata-rata dari keseluruhan data berada pada skala 0.
7299 dan berdasarkan kategori nilai silhouette coefficient menurut Prasetyo .
71 Ae 1.
masuk kategori Strong Structure artinya terdapat ikatan yang sangat baik .
trong structur.
antara objek dan kelompok yang terbentuk.
KESIMPULAN
Berdasarkan hasil penelitian yang dilakukan, kesimpulan yang bisa diuraikan antrara lain:
Penelitian menggunakan algoritma K-Means menghasilkan pengelompokan debitur menjadi dua cluster: 289 debitur layak menerima penawaran pinjaman (Cluster .
dan 129 debitur tidak layak menerima penawaran pinjaman (Cluster .
Validasi hasil penelitian menunjukan bahwa uji hasil menggunakan Silhouette Coefficient menghasilkan nilai 0.
7299, yang masuk dalam kategori strong structure, menegaskan bahwa jumlah cluster dalam penelitian ini optimal.
Oleh karena itu, penelitian ini layak digunakan.
Hasil pengelompokan membantu petugas Account Officer mempercepat proses analisa debitur, memberikan hasil yang lebih objektif serta menghasilkan informasi yang mendukung Manager Bisnis dalam menyusun strategi pemasaran dan mitigasi risiko secara lebih efektif.
Perbedaan atribut antara proses manual dengan perhitungan K-Means bertujuan untuk mendapatkan segmentasi debitur yang lebih mendalam.
Atribut seperti hasil usaha, persediaan usaha, dan angsuran pinjaman digunakan untuk menilai kesanggupan bayar debitur, sehingga meningkatkan relevansi hasil pengelompokan .
DAFTAR PUSTAKA