Institut Riset dan Publikasi Indonesia (IRPI) MALCOM: Indonesian Journal of Machine Learning and Computer Science Journal Homepage: https://journal.
id/index.
php/malcom Vol.
5 Iss.
3 July 2025, pp: 1095-1106
ISSN(P): 2797-2313 | ISSN(E): 2775-8575
Cluster Analysis of the Clustering of Digital Payment User Preferences and Its Impact on Financial Inclusion of Telkom University Student Analisis Cluster Terhadap Pengelompokan Preferensi Pengguna Pembayaran Digital dan Dampaknya Terhadap Inklusi Keuangan Mahasiswa Telkom University Muhammad Alfian Khoiri1*.
Raswyshnoe Boing Kotjoprayudi2.
Alit Yuniargan Eskaluspita3
1,2,3
Sistem Informasi Akuntansi.
Universitas Telkom.
Indonesia E-Mail: 1alfvin@student.
raswyshnoe@telkomuniversity.
id, 3.
eskaluspita@telkomuniversity.
Received Jun 10th 2025.
Revised Jul 26th 2025.
Accepted Jul 30th 2025.
Available Online Jul 31th 2025.
Published Aug 15th 2025 Corresponding Author: Muhammad Alfian Khoiri Copyright A 2025 by Authors.
Published by Institut Riset dan Publikasi Indonesia (IRPI) Abstract This study aims to identify trends in non-cash payment system usage and its relationship with financial inclusion among the academic community of Telkom University.
With the advancement of digital technology, financial innovations have transformed how users interact with services through platforms such as mobile banking, digital wallets, and QR codebased payments.
Involving 100 students from all faculties, this study employs the DBSCAN (Density-Based Spatial Clustering of Applications with Nois.
algorithm to cluster respondents based on digital payment preferences.
The analysis reveals three clusters: .
active users from the Faculties of Economics and Business.
Electrical Engineering, and Industrial Engineering.
moderate users from the Faculties of Applied Science.
Creative Industries, and Business Communication.
selective users from the Faculty of Informatics, who are more critical of security and service Evaluation using several validation indices indicates that an epsilon value of 1.
0 produces the optimal clustering structure.
These findings may serve as a foundation for developing more inclusive digital financial services suited to the higher education environment.
Keyword: Cluster Analysis.
DBSCAN.
Digital Payments.
Financial Inclusion.
User Preferences Abstrak Penelitian ini bertujuan untuk mengidentifikasi kecenderungan penggunaan sistem pembayaran non-tunai serta hubungannya dengan ketercakupan finansial di kalangan sivitas akademika Universitas Telkom.
Seiring dengan perkembangan teknologi digital, inovasi di bidang keuangan telah mengubah cara pengguna berinteraksi dengan layanan finansial, melalui berbagai sarana transaksi elektronik seperti mobile banking, dompet digital, dan metode pembayaran berbasis QR code.
Dengan melibatkan 100 mahasiswa dari seluruh fakultas, penelitian menggunakan algoritma DBSCAN untuk mengelompokkan responden berdasarkan preferensi penggunaan sistem pembayaran digital.
Hasilnya terbentuk tiga klaster: .
pengguna aktif dari Fakultas Ekonomi dan Bisnis.
Teknik Elektro, dan Rekayasa Industri.
pengguna sedang dari Fakultas Ilmu Terapan.
Industri Kreatif, dan Komunikasi Bisnis.
pengguna selektif dari Fakultas Informatika.
Evaluasi menggunakan beberapa indeks validasi menunjukkan nilai epsilon 1.
0 menghasilkan klasterisasi yang optimal.
Temuan ini dapat menjadi dasar pengembangan layanan keuangan digital yang lebih inklusif di lingkungan perguruan tinggi.
Kata Kunci: Analisis Cluster.
DBSCAN.
Inklusi Keuangan.
Pembayaran Digital.
Preferensi Pengguna PENDAHULUAN Di era digital ini, evolusi teknologi keuangan telah secara signifikan mengubah cara individu berinteraksi dengan layanan keuangan, terutama melalui adopsi sistem pembayaran digital .
Pembayaran digital, yang ditandai oleh kenyamanan dan efisiensinya, telah muncul sebagai alat penting untuk meningkatkan inklusi keuangan, terutama di wilayah yang sedang berkembang .
Fenomena ini sangat DOI: https://doi.
org/10.
57152/malcom.
MALCOM-05.
: 1095-1106
relevan di sekitar Universitas Telkom di Bandung.
Indonesia, di mana komunitas yang terdiri dari mahasiswa, profesional muda, dan pemilik usaha kecil menciptakan lanskap dinamis yang unik untuk menganalisis preferensi pengguna terhadap pembayaran digital .
Selain itu, inklusi keuangan, yang didefinisikan sebagai aksesibilitas dan pemanfaatan produk serta layanan keuangan yang terjangkau dan sesuai, memegang peran penting dalam pembangunan ekonomi dan pengentasan kemiskinan .
Dengan meneliti preferensi pengguna terhadap pembayaran digital, kita dapat mengungkap bagaimana platform-platform ini berpengaruh pada inklusi keuangan, terutama bagi kelompok masyarakat yang kurang terlayani .
Analisis ini juga dapat menjelaskan hambatan yang menghalangi kelompok-kelompok tertentu untuk sepenuhnya memanfaatkan solusi pembayaran digital .
Studi ini bertujuan untuk menganalisis klaster dalam mengkategorikan pengguna berdasarkan preferensi pembayaran digital mereka, dengan menerapkan algoritma Density-Based Spatial Clustering of Applications with Noise (DBSCAN), karena memiliki keunggulan utama dibandingkan algoritma klaster lainnya, yaitu tidak mengharuskan peneliti untuk menentukan jumlah klaster di awal, serta mampu mengenali klaster dengan bentuk yang tidak beraturan dan mengidentifikasi data outlier .
secara langsung .
Hal ini menjadikannya ideal dalam menganalisis data pengguna digital yang kompleks dan beragam.
Beberapa penelitian sebelumnya juga telah menunjukkan efektivitas DBSCAN dalam konteks serupa, seperti pada studi segmentasi pengguna e-wallet dan analisis perilaku transaksi digital, yang sama-sama menggunakan DBSCAN untuk mengungkap pola perilaku pengguna berdasarkan data transaksi aktual .
Dalam penelitian ini digunakan algoritma DBSCAN serta validasi dengan indeks Silhouette.
Dunn.
Calinski-Harabasz, dan Davies-Bouldin untuk memperoleh pengelompokan yang optimal.
Dengan menggunakan DBSCAN dapat mengelompokkannya menjadi klaster, mengidentifikasi titik-titik yang dianggap sebagai noise.
Hasil analisis memberikan wawasan dan meningkatkan kampanye edukasi yang ditargetkan bagi kelompok yang kurang terlayani .
Pemahaman yang mendalam mengenai preferensi pengguna ini akan memfasilitasi pengembangan kebijakan yang lebih efektif untuk mendorong inklusi keuangan, sehingga memberikan kontribusi nyata terhadap pertumbuhan ekonomi dan pembangunan sosial yang berkelanjutan.
Penelitian mengenai pengelompokan preferensi pengguna pembayaran digital di lingkungan Telkom University tidak hanya meningkatkan pemahaman kita tentang perilaku pengguna, tetapi berkontribusi juga pada inklusi keuangan dan penggunaan teknologi pembayaran digital yang efektif .
Namun demikian, belum terdapat pemetaan spesifik yang mengelompokkan preferensi pengguna berdasarkan persepsi terhadap sistem pembayaran digital di lingkungan kampus, khususnya Telkom University, menggunakan pendekatan segmentasi berbasis kepadatan.
Hal ini menunjukkan adanya kebutuhan untuk mengidentifikasi pola preferensi pengguna secara lebih sistematis guna mendukung strategi peningkatan inklusi keuangan.
Penelitian ini berkontribusi dalam memberikan pendekatan baru untuk segmentasi pengguna pembayaran digital menggunakan algoritma DBSCAN, yang diharapkan dapat membantu pengembangan strategi inklusi keuangan berbasis perilaku pengguna aktual di lingkungan pendidikan tinggi.
METODE PENELITIAN
Pemilihan metode DBSCAN didasarkan pada kemampuannya mengidentifikasi klaster dengan bentuk tidak beraturan dan menangani outlier, sebagaimana ditunjukkan dalam studi Hastuti et al.
dan Yang et al.
Dibandingkan metode lain seperti K-Means atau Agglomerative Clustering.
DBSCAN tidak memerlukan jumlah klaster ditentukan di awal dan lebih unggul untuk data dengan distribusi tidak linier.
Jenis Penelitian dan Pengumpulan Data Penelitian ini menggunakan pendekatan kuantitatif dengan metode analisis klaster.
Metode dan variabel dalam penelitian ini disesuaikan karena pendekatan sebelumnya telah banyak digunakan.
Oleh sebab itu, digunakan DUN Index dan DBSCAN untuk memberikan perspektif baru terhadap topik yang dikaji.
Data diperoleh melalui survei menggunakan kuesioner yang disebarkan kepada pengguna di sekitar Telkom University.
Variabel yang dianalisis meliputi: DUN Index.
Cluster hasil DBSCAN.
CalinskiAeHarabasz Index.
DaviesAeBouldin Index Metode Analisis dan Alur Penelitian Pengelompokan dilakukan menggunakan algoritma DBSCAN, dengan target pembentukan dua Metode ini mampu memisahkan data berdasarkan kepadatan, serta mengidentifikasi data yang tidak termasuk dalam klister manapun .
oise/outlie.
Alur pengerjaan analisis dalam penelitian ini terdiri dari tahapan: pengumpulan data, pengolahan, penerapan DBSCAN, hingga evaluasi klaster menggunakan indeks evaluasi seperti silhouette index, dunn index, calinski harabasz, dan davies-bouldin index.
Alur tersebut ditunjukkan pada Gambar 1.
Alur pelaksanaan pada Gambar 1, menggambarkan tahapan dari pengumpulan data hingga evaluasi hasil klasterisasi.
Metode pelaksanaan penelitian ini terdiri dari beberapa tahapan yaitu dimulai dengan pengumpulan data dilakukan melalui survei menggunakan kuesioner yang disebarkan di sekitar Telkom University, dengan tujuan mendapatkan informasi terkait penggunaan pembayaran digital.
Perhitungan rasio Analisis Cluster Terhadap Pengelompokan Preferensi Pengguna.
(Khoiri et al, 2.
ISSN(P): 2797-2313 | ISSN(E): 2775-8575 profitabilitas meliputi Gross Profit Margin (GPM).
Return on Assets (ROA), dan Return on Equity (ROE) berdasarkan data yang diperoleh.
Peninjauan dan pembersihan data dilakukan untuk memastikan data yang diperoleh bersih dan bebas dari anomali atau ketidaksesuaian yang dapat mempengaruhi hasil analisis.
Standarisasi data diterapkan untuk memastikan setiap variabel berada dalam skala yang sama, sehingga metode klasterisasi dapat bekerja secara optimal.
Pengelompokan data yang telah distandarisasi menggunakan metode klasterisasi DBSCAN untuk mengidentifikasi pola dalam penggunaan pembayaran digital dan mengelompokkan data berdasarkan profitabilitas.
Mulai Selesai Gambar 1.
Alur Sistem Analisis Kluster Analisis kluster adalah teknik multivariat yang bertujuan untuk mengelompokkan objek berdasarkan karakteristik yang dimiliki, di mana objek-objek dengan kesamaan tinggi dikelompokkan dalam kluster yang sama, sementara objek yang berbeda ditempatkan di kluster lain.
Metode ini berguna untuk menemukan pola tersembunyi dalam data tanpa memerlukan label awal, dan diterapkan di berbagai bidang seperti pemasaran, pengolahan citra, serta analisis keuangan .
Pembayaran Digital Pembayaran pada dasarnya merupakan proses pemindahan sejumlah uang dari pihak yang membayar ke pihak yang menerima.
Dalam pembayaran digital, proses ini didukung oleh teknologi, di mana uang disimpan, diproses, dan diterima dalam bentuk informasi digital, serta pemindahannya dilakukan melalui alat Jika pembayaran tradisional melibatkan uang tunai, cek, atau kartu kredit, pembayaran digital memanfaatkan perangkat lunak khusus, kartu pembayaran, dan uang elektronik.
Komponen utama dalam sistem pembayaran digital mencakup aplikasi untuk transfer uang, jaringan infrastruktur, serta aturan dan prosedur yang mengatur penggunaannya .
Preferensi Konsumen Terhadap Pembayaran Digital Kesenjangan dalam penelitian terkait preferensi konsumen terhadap metode pembayaran digital terletak pada kurangnya pemahaman menyeluruh mengenai berbagai faktor yang memengaruhinya.
Meskipun beberapa studi telah menyoroti dampak nilai utilitarian, nilai hedonis, dan risiko yang dirasakan pada niat konsumen untuk kembali menggunakan metode pembayaran digital, penelitian tersebut sering terbatas pada aspek-aspek tertentu.
Selain faktor teknis seperti keamanan dan kemudahan penggunaan, aspek sosial dan psikologis seperti pengaruh sosial dan pengalaman pengguna juga perlu diperhatikan lebih mendalam untuk memahami perilaku konsumen yang lebih luas dan beragam .
Survei Penelitian survei merupakan aktivitas yang umum dilakukan dan telah menjadi praktik yang dikenal luas di masyarakat.
Sebagai pendekatan positivistik dalam ilmu sosial, metode ini menghasilkan informasi statistik, sebagaimana dikemukakan oleh Robert Groves.
Survei, sebagai metode utama dalam penelitian kuantitatif, memungkinkan peneliti mengumpulkan dan menganalisis data terukur.
Informasi yang diperoleh memberikan wawasan mengenai perilaku dan preferensi masyarakat.
Dengan demikian, survei berperan penting dalam memahami fenomena sosial serta mendukung pengambilan keputusan berbasis data .
MALCOM - Vol.
5 Iss.
3 July 2025, pp: 1095-1106 MALCOM-05.
: 1095-1106
Kuesioner Kuesioner merupakan alat yang digunakan untuk mengumpulkan data pribadi responden, mencakup sikap, opini, harapan, dan keinginan.
Data yang diperoleh akurat dan representatif, responden diharapkan memiliki motivasi tinggi dalam mengisi kuesioner secara serius dan menyelesaikan seluruh pertanyaan.
Partisipasi aktif ini menjadi faktor penting dalam menjamin validitas dan reliabilitas data yang dikumpulkan.
Validasi kuesioner dilakukan melalui uji validitas isi dengan meminta masukan dari dua ahli bidang sistem informasi dan pembayaran digital, serta melalui uji coba terbatas untuk memastikan kejelasan dan konsistensi pernyataan .
Kuesioner disusun menggunakan skala Likert 5 poin .
= Sangat Tidak Setuju sampai 5 = Sangat Setuj.
, sebagaimana lazim digunakan dalam penelitian sosial kuantitatif untuk mengukur persepsi, berdasarkan pedoman Sugiyono .
Data Mining Data mining adalah proses mengekstrak informasi berguna dari basis data yang besar.
Salah satu tekniknya adalah membangun model untuk mengenali pola, termasuk pola tersembunyi.
Fungsi utama data mining terbagi dua: deskriptif, untuk memahami perilaku dan karakteristik data.
serta prediktif, untuk memprediksi variabel yang belum diketahui berdasarkan pola yang ada.
Proses ini melibatkan berbagai metode yang mendukung pengumpulan dan analisis data, mulai dari perencanaan hingga implementasi akhir .
Density Based Spatial Clustering (DBSCAN) DBSCAN merupakan algoritma pengelompokan berbasis kepadatan yang populer dalam analisis data.
Algoritma ini mengidentifikasi area dengan kepadatan tinggi yang dipisahkan oleh area berkepadatan rendah, sehingga dapat menemukan klaster dengan berbagai bentuk dalam basis data spasial.
Dibandingkan algoritma berbasis jarak.
DBSCAN unggul dalam menghubungkan wilayah berdekatan dengan kepadatan serupa.
Selain itu.
DBSCAN efektif dalam menangani outlier, menjadikannya metode yang andal untuk pengelompokan data spasial .
Cluster Clustering adalah proses pengelompokan di mana semua anggota dari setiap partisi memiliki kesamaan berdasarkan matriks tertentu.
Analisis cluster atau analisis kelompok adalah teknik analisis data yang bertujuan untuk mengelompokkan individu atau objek ke dalam beberapa kelompok yang memiliki sifat berbeda antar kelompok.
Dalam analisis ini, individu atau objek dalam satu kelompok akan memiliki sifat yang relatif homogen.
Tujuan utama dari analisis cluster adalah untuk mengelompokkan objek-objek tersebut secara efektif .
Sampel Penelitian Sampel merupakan bagian dari data yang diambil dari objek penelitian dan populasi yang relevan.
Penentuannya harus mengikuti metode pengambilan sampel atau teknik sampling.
Sampel berfungsi sebagai representasi populasi dengan karakteristik serupa.
Penulis menyadari keterbatasan dalam pemilihan partisipan karena cakupan masyarakat yang tersedia untuk seluruh populasi yang idealnya menjadi sampel.
penelitian difokuskan pada lingkup yang lebih terbatas untuk memaksimalkan validitas sampel.
Jumlah sampel dalam penelitian ini dihitung menggunakan metode statistik dengan menerapkan rumus Slovin .
ycu 1 ycAyce 2 Dengan: n adalah jumlah sampel minimum yang dibutuhkan.
N adalah total populasi dan e adalah margin of Teknik Pengumpulan Data Data primer diperoleh melalui kuesioner tertutup yang disebarkan secara daring menggunakan Google Form kepada mahasiswa dari berbagai fakultas di Telkom University.
Kuesioner berisi pernyataan terkait efisiensi dan kebiasaan penggunaan pembayaran digital, seperti e-wallet dan mobile banking.
Penentuan jumlah sampel menggunakan rumus Slovin dengan margin of error 10%, menghasilkan total 100 responden yang dianggap representatif untuk dianalisis.
Perhitungan Hasil dari Responden Dalam penelitian ini, penulis menyebarkan kuesioner kepada responden yang terdiri dari mahasiswa di berbagai fakultas di Telkom University.
Salah satu pernyataan dalam kuesioner tersebut berisi pernyataan:
AuSaya merasa pembayaran digital lebih efisien dibandingkan dengan pembayaran tunai.
Ay Dari 100 responden yang mengisi kuesioner, mayoritas memilih opsi "Sangat Setuju", yaitu sebanyak 65 orang.
Data yang telah terkumpul dari tiap fakultas kemudian diolah menggunakan rumus Slovin untuk menentukan jumlah sampel Analisis Cluster Terhadap Pengelompokan Preferensi Pengguna.
(Khoiri et al, 2.
ISSN(P): 2797-2313 | ISSN(E): 2775-8575 yang representatif.
Rumus Slovin digunakan karena efektif dalam menentukan jumlah sampel minimum berdasarkan ukuran populasi dan margin of error yang diinginkan.
Dalam penelitian ini, digunakan margin of error sebesar 10% .
=0,.
Margin of error tersebut dipilih karena populasi relatif kecil dan sifat penelitian yang eksploratif, sehingga toleransi kesalahan 10% masih dapat diterima.
Sebagai contoh perhitungan, pada Fakultas Teknik Elektro yang memiliki populasi sebanyak 17 mahasiswa, maka:
ycu= OO 14.
53 Ne dibulatkan menjadi 15 1 17 UI .
1 17 UI 0.
Hasil ini kemudian dibulatkan menjadi 15 responden sebagai jumlah sampel minimum yang dibutuhkan dari fakultas tersebut.
Untuk memudahkan analisis.
Tabel 1 ditampilkan jumlah populasi dan hasil perhitungan jumlah sampel minimum dari masing-masing fakultas.
Tabel 1.
Hasil Perhitungan Sampel Minimum Berdasarkan Populasi per Fakultas Fakultas Fakultas Ilmu Terapan Fakultas Teknik Elektro Fakultas Komunikasi Bisnis Fakultas Industri Kreatif Fakultas Ekonomi dan Bisnis Fakultas Informatika Fakultas Rekayasa Industri Jumlah Populasi (N) Sampel Minimum .
Tabel 1 menunjukkan hasil perhitungan jumlah sampel minimum dari masing-masing fakultas berdasarkan populasi dan margin of error 10%.
Berdasarkan perhitungan tersebut, jumlah responden yang dikumpulkan dari masing-masing fakultas telah memenuhi atau melebihi jumlah sampel minimum yang Dengan demikian, data yang diperoleh dapat dianggap cukup representatif dan layak untuk dianalisis lebih lanjut.
14 Validasi Clustering 1 Silouhetter Index Silhouette Index merupakan metode validasi berbasis standar internal yang digunakan untuk menilai seberapa baik objek-objek ditempatkan dalam klaster yang tepat.
Metode ini mengukur seberapa baik objek cocok dalam klaster dengan membandingkan rata-rata jarak objek tersebut dengan objek lain di klaster yang sama, serta dengan objek di kaster lain.
Indeks ini memberikan gambaran tentang seberapa terpisah dan segam klaster-klaster tersebut berdasarkan jarak antara objek-objek yang diukur, sehingga memudahkan evaluasi kualitas pengelompokan data.
ycIya = ycu Ocycuycn=1 ( yca.
Oeyca.
,yca.
} Koefisien Silhouette memiliki rentang nilai antara -1 hingga 1.
Semakin mendekati nilai 1, semakin baik kualitas klaster yang terbentuk.
Nilai yang lebih tinggi menunjukkan bahwa objek dalam klaster tersebut lebih mirip satu sama lain dan lebih berbeda dari objek di klaster lainnya.
Sebaliknya, nilai yang mendekati 1 menunjukkan bahwa objek mungkin lebih sesuai ditempatkan di klaster lain .
2 Dunn Index Dunn Index adalah metode validasi klaster yang memberikan skor terbaik pada algoritma klastering yang menghasilkan klaster dengan kemiripan tinggi di dalam satu klaster, namun rendah antar klaster.
Tujuan utama Dunn Index adalah untuk mengidentifikasi klaster yang terpisah dengan baik.
Metode ini menghitung rasio antara jarak minimum antar klaster dengan jarak maksimum di dalam klaster.
Semakin tinggi nilai Dunn Index, semakin baik pemisahan antar klaster dan semakin optimal jumlah klaster yang terbentuk .
Dengan demikian, semakin tinggi nilai Dunn Index, semakin baik hasil clustering yang diperoleh.
Dunn Index dirumuskan sebagai persamaan .
ya = ycoycnycuyc=ycn 1Ayca .
coycnycuyc=ycn 1Ayca ( ycc.
caycn ,ycayc ycoycaycuyco=1Aycuyca .
cayco )) .
dengan: ycc.
aycn , yay.
adalah ukuran kedekatan antara cluster ycn dan cluster.
dan yc.
adalah ukuran kedekatan antar anggota dalam cluster yco MALCOM - Vol.
5 Iss.
3 July 2025, pp: 1095-1106 MALCOM-05.
: 1095-1106
3 Calinski-Harabasz Indeks Calinski-Harabasz didasarkan pada asumsi bahwa klaster-klaster harus cukup terpisah satu sama lain untuk menciptakan distribusi yang baik.
Indeks ini dihitung dengan membagi varians jumlah kuadrat dari jarak antara objek individu ke pusat klaster dengan jumlah kuadrat jarak antara pusat klaster.
Semakin tinggi nilai indeks ini, semakin baik pemisahan antar klaster.
Nilai indeks yang tinggi menunjukkan bahwa klaster lebih terpisah dan kompak.
Rumus Calinski-Harabasz memberikan penilaian terhadap kualitas pembagian klaster tersebut.
Persamaan .
adalah rumus untuk menghitung Indeks Calinski-Harabasz.
yayayco = yaAyaycIycA ycoOe1 ycuOeyco ycOyaycIycAA Jika k merukan hasil dari cluster yang terbentuk dari kelompok n pengamatan, maka Between Cluster Scatter Matrix (BCSM) dalam Bahasa Indonesia dapat diartikan sebagai matriks hamburan antar kluster mengukur sejauh mana cluster-cluster tersebut terpisah satu sama lain, sedangkan Within Cluster Scatter Matrix (WCSM) dalam Bahasa Indonesia dapat diartikan sebagai matriks hamburan dalam cluster mengukur sejauh mana cluster-cluster tersebut kohesif atau terkompak di dalamnya .
4 Davies-Bouldin Index Metode Davies-Bouldin berfokus pada pemisahan dan kekompakan kelompok.
Hal ini didasarkan pada perhitungan nilai maksimum dari jarak rata-rata antar titik dalam klaster serta jarak antara pusat klaster yang paling berdekatan.
Davies-Bouldin menunjukkan adanya peningkatan dalam kualitas pengelompokan.
Indeks Davies-Bouldin didefinisikan sebagai ukuran yang menunjukkan seberapa baik klaster terpisah satu sama lain dan seberapa kompak klaster-klaster tersebut.
Davies-Bouldin Index didefinisikan sebagai persamaan .
yayaA = yco yua yuayc Ocycoycn=1 ycoycaycuycOycn ( ycn caycn, ycayc ) Dimana k artinya jumlah cluster, sedangkan Ei merupakan jarak rata-rata pada seluruh titik di ke-I cluster dari pusat cluster ci, serta d .
i, c.
merupakan jarak antara ke-i dan ke-j pusat cluster .
Beberapa survey lain diantaranya menunjukkan tentang sebaran aktivitas pengguna internet per kelompok umur .
, situs-situr terpopuler sepanjang tahun 2013 .
, dan .
telah dirangkum dalam .
HASIL DAN PEMBAHASAN
Hasil Responden Gambar 2 merupakan diagram batang yang menyajikan distribusi penilaian responden berdasarkan variabel, skala nilai, dan fakultas asal.
Visualisasi ini terbagi ke dalam tujuh sub-grafik, masing-masing mewakili satu fakultas, yaitu Fakultas Ekonomi dan Bisnis.
Fakultas Ilmu Terapan.
Fakultas Industri Kreatif.
Fakultas Informatika.
Fakultas Komunikasi Bisnis.
Fakultas Rekayasa Industri, dan Fakultas Teknik Elektro.
Pada setiap sub-grafik, sumbu horizontal .
menunjukkan daftar variabel atau butir pernyataan dalam kuesioner, sedangkan sumbu vertikal .
merepresentasikan jumlah responden yang memberikan penilaian terhadap masing-masing variabel.
Setiap batang dalam grafik diberi warna sesuai dengan skala Likert, mulai dari nilai 1 hingga 5, dengan rincian warna sebagai berikut: merah untuk nilai 1 (Sangat Tidak Setuj.
, oranye untuk nilai 2 (Tidak Setuj.
, kuning untuk nilai 3 (Netra.
, biru muda untuk nilai 4 (Setuj.
, dan biru tua untuk nilai 5 (Sangat Setuj.
Visualisasi ini memberikan gambaran menyeluruh mengenai pola penilaian responden terhadap setiap variabel berdasarkan fakultas.
Dengan membandingkan tinggi batang pada setiap sub-grafik, dapat diketahui kecenderungan nilai yang dominan di masing-masing fakultas.
Dominasi warna biru tua, misalnya, mengindikasikan tingkat persetujuan tinggi terhadap suatu pernyataan, sedangkan variasi warna yang merata menunjukkan distribusi pendapat yang lebih beragam.
Representasi visual ini memungkinkan analisis perbandingan antar fakultas dilakukan untuk mengidentifikasi perbedaan pola preferensi atau persepsi antar kelompok responden terhadap isu yang diteliti, khususnya terkait penggunaan pembayaran digital.
Uji Validitas Reliabilitas Instrumen penelitian yang digunakan dalam bentuk kuesioner telah melalui proses pengujian validitas dan reliabilitas.
Hasil uji validitas menunjukkan bahwa seluruh item pertanyaan memenuhi kriteria kelayakan, sehingga dapat dinyatakan valid dan layak digunakan dalam penelitian ini.
Lihat Tabel 2.
Tabel 2.
Hasil Uji Validitas Variabel Usability Item Rutin pakai pembayaran digital Pearson r Analisis Cluster Terhadap Pengelompokan Preferensi Pengguna.
(Khoiri et al, 2.
p-value ISSN(P): 2797-2313 | ISSN(E): 2775-8575 Variabel Usability Usability Security Security Security Speed Speed Speed Speed Item Lebih efisien daripada tunai Pilih e-wallet untuk transaksi kecil Lebih aman dari uang tunai Membantu kelola keuangan Mempermudah akses layanan keuangan Mudah lacak transaksi Sering ada kendala teknis Khawatir soal keamanan data Pendaftaran terasa rumit Pearson r p-value Berdasarkan hasil uji validitas dengan metode korelasi Pearson, seluruh item dalam masing-masing variabel yaitu Kemudahan Penggunaan.
Keamanan, dan Kecepatan Transaksi menunjukkan nilai koefisien korelasi .
lebih dari 0,6 serta p-value di bawah 0,05.
Hal ini mengindikasikan bahwa seluruh butir pertanyaan dinyatakan valid.
Selanjutnya, hasil uji reliabilitas disajikan pada Tabel 3.
Tabel 3.
Hasil Uji Reliabilitas Variabel Usability Security Speed CronbachAos Alpha Uji reliabilitas dengan CronbachAos Alpha juga menunjukkan seluruh variabel memiliki nilai di atas 0,6 .
emudahan penggunaan = 0,76.
keamanan = 0,86.
kecepatan transaksi = 0,.
, yang berarti instrumen penelitian ini reliabel dan layak digunakan untuk analisis lebih lanjut.
Gambar 2.
Menampilkan Distribusi Penilaian Responden Terhadap Variabel Berdasarkan Fakultas Hasil Silouhetter Index Gambar 3 menunjukkan hubungan antara parameter epsilon (A) dengan nilai Silhouette Score, yang merupakan metrik evaluasi untuk mengukur kualitas klasterisasi berdasarkan konsistensi internal .
dan pemisahan antar klaster.
Gambar di bawah menggambarkan hubungan antara parameter epsilon (A) dengan nilai Silhouette Score, yang merupakan metrik evaluasi untuk mengukur kualitas klasterisasi MALCOM - Vol.
5 Iss.
3 July 2025, pp: 1095-1106 MALCOM-05.
: 1095-1106
berdasarkan konsistensi internal .
alam-klaste.
dan pemisahan antar klaster.
Nilai Silhouette Score berkisar antara -1 hingga 1, dengan nilai mendekati 1 menunjukkan struktur klaster yang optimal.
Pada nilai epsilon rendah, yaitu antara 0,1 hingga 0,3.
Silhouette Score bernilai negatif, mengindikasikan bahwa klaster yang terbentuk cenderung tumpang tindih dan tidak terdefinisi dengan baik.
Mulai dari epsilon 0,4 hingga 0,6, skor mengalami peningkatan secara signifikan, dari nilai mendekati nol hingga mencapai lebih dari 0,25.
Peningkatan terus berlanjut hingga mencapai nilai epsilon 1,0, di mana Silhouette Score mencapai nilai maksimum sekitar 0,56.
Setelah titik tersebut, skor tetap stabil hingga epsilon 1,3, menandakan bahwa struktur klaster telah optimal dan tambahan peningkatan epsilon tidak lagi menghasilkan perbaikan Dengan demikian, nilai epsilon sebesar 1,0 dapat dianggap sebagai titik optimal dalam proses klasterisasi berdasarkan evaluasi menggunakan Silhouette Score, karena menghasilkan pemisahan antar klaster yang baik serta kohesi dalam klaster yang kuat.
Gambar 3.
Hasil Silouhetter Index Hasil Dunn Index Gambar 4 menunjukkan hubungan antara parameter epsilon (A) dan nilai Dunn Index sebagai indikator kualitas klasterisasi.
Dunn Index mengukur rasio antara jarak minimum antar klaster dan diameter maksimum dalam klaster, sehingga semakin tinggi nilainya, semakin baik kualitas pemisahan antar klaster yang Pada nilai epsilon yang rendah .
,1 hingga 0,.
Dunn Index berada pada kisaran rendah, yaitu sekitar 0,09.
Hal ini menunjukkan bahwa klaster yang terbentuk pada rentang epsilon tersebut memiliki kualitas pemisahan yang buruk dan masih cenderung tumpang tindih.
Seiring dengan bertambahnya nilai epsilon .
,4 hingga 0,.
, terjadi peningkatan bertahap pada Dunn Index, menandakan adanya perbaikan dalam struktur klaster.
Peningkatan ini menunjukkan bahwa jarak antar klaster semakin besar dan kekompakan dalam klaster meningkat.
Peningkatan yang paling signifikan terjadi pada epsilon = 1,0, di mana Dunn Index melonjak tajam hingga mendekati angka 0,68.
Setelah titik ini, nilai Dunn Index terlihat stabil pada tingkat yang sama hingga epsilon = 1,3, yang mengindikasikan bahwa kualitas klasterisasi telah mencapai titik optimal dan tambahan kenaikan epsilon tidak lagi memberikan peningkatan berarti.
Dengan demikian, nilai epsilon sebesar 1,0 dapat dianggap sebagai nilai yang optimal, karena menghasilkan klasterisasi dengan kualitas pemisahan terbaik berdasarkan evaluasi Dunn Index.
Hasil Calinski-Harabasz Gambar 5 menampilkan hubungan antara parameter epsilon (A) dan nilai Calinski-Harabasz Index, yang digunakan untuk mengevaluasi kualitas klasterisasi berdasarkan rasio variansi antar-klaster dan dalamklaster.
Semakin tinggi nilai indeks ini, maka semakin baik pula pemisahan klaster yang dihasilkan pada nilai epsilon antara 0,1 hingga 0,3, indeks menunjukkan nilai yang rendah dan cenderung stabil di kisaran angka 2,5.
Kondisi ini mencerminkan bahwa struktur klaster yang terbentuk pada rentang nilai epsilon tersebut belum optimal dalam memisahkan data ke dalam kelompok yang berbeda secara jelas.
Peningkatan signifikan mulai terlihat pada nilai epsilon di atas 0,4, di mana Calinski-Harabasz Index mengalami kenaikan tajam.
Kenaikan tertinggi terjadi ketika epsilon berada pada kisaran 0,6 hingga 0,7, dengan nilai indeks mendekati angka 9.
Kualitas pemisahan antar-klaster sangat baik.
Namun grafik menunjukkan penurunan moderat pada nilai epsilon antara 0,8 hingga 0,9, yang menandakan sedikit penurunan dalam kualitas klasterisasi.
Nilai indeks kembali meningkat dan mencapai kestabilan pada kisaran epsilon 1,0 hingga 1,3.
Stabilitas indeks pada rentang ini menunjukkan bahwa klasterisasi telah mencapai performa yang optimal berdasarkan rasio variansi antar dan dalam klaster.
Dapat disimpulkan bahwa nilai epsilon sebesar 1,0 merupakan titik optimal untuk parameter DBSCAN dalam penelitian ini, karena menghasilkan kualitas klasterisasi terbaik berdasarkan evaluasi menggunakan Calinski-Harabasz Index.
Analisis Cluster Terhadap Pengelompokan Preferensi Pengguna.
(Khoiri et al, 2.
ISSN(P): 2797-2313 | ISSN(E): 2775-8575 Gambar 4.
Hasil Dunn Index Gambar 5.
Hasil Calinski-Harabasz Index Hasil Davies-Bouldin Index Gambar 6 memperlihatkan hubungan antara nilai parameter epsilon (A) dengan Davies-Bouldin Index (DBI), yang digunakan untuk mengevaluasi kualitas klaster berdasarkan jarak antar klaster dan sebaran dalam klaster.
Semakin rendah nilai DBI, maka semakin baik struktur klaster yang terbentuk.
Pada awal grafik, yaitu saat epsilon berada pada kisaran 0,1 hingga 0,2, nilai DBI relatif rendah dan stabil di sekitar angka 1,0.
Selanjutnya.
DBI mengalami peningkatan secara bertahap hingga mencapai nilai tertinggi pada epsilon 0,6, yaitu sekitar 2,3.
Kenaikan ini menunjukkan bahwa pada rentang nilai tersebut, kualitas klasterisasi menurun karena antar klaster menjadi semakin tidak terpisah secara jelas.
Namun, penurunan signifikan mulai terjadi setelah epsilon melewati 0,6.
Nilai DBI turun drastis pada epsilon 1,0 dan kemudian stabil di titik terendah sebesar 0,3 hingga epsilon 1,3.
Stabilitas nilai rendah ini mengindikasikan bahwa klaster yang terbentuk memiliki jarak antar klaster yang baik serta kekompakan dalam klaster yang tinggi.
Dengan demikian, dapat disimpulkan bahwa nilai epsilon sebesar 1,0 merupakan titik optimal berdasarkan Davies-Bouldin Index, karena menghasilkan kualitas klasterisasi terbaik dengan pemisahan antar klaster yang maksimal dan variansi dalam klaster yang minimal.
Gambar 6.
Hasil Davies Bouldin Index MALCOM - Vol.
5 Iss.
3 July 2025, pp: 1095-1106 MALCOM-05.
: 1095-1106
Hasil Clustering DBSCAN Gambar 7 menunjukkan hasil pengelompokan data menggunakan algoritma DBSCAN terhadap dataset dua dimensi yang terdiri dari dua fitur utama, yaitu Fitur 1 dan Fitur 2.
Titik-titik pada grafik dipetakan berdasarkan nilai masing-masing fitur.
Berdasarkan hasil klasterisasi, terlihat bahwa sebagian besar data berhasil dikelompokkan ke dalam satu klaster yang ditandai dengan warna kuning, sedangkan satu titik data terpisah diidentifikasi sebagai noise dan ditandai dengan warna ungu.
Algoritma DBSCAN secara efektif mampu mengelompokkan data yang memiliki kepadatan tinggi, sekaligus memisahkan data yang menyimpang atau tidak memenuhi kriteria densitas sebagai outlier.
Hal ini menunjukkan keandalan DBSCAN dalam mengidentifikasi pola distribusi data yang tidak beraturan, serta deteksi terhadap data yang tidak termasuk dalam klaster manapun.
Hasil ini mendukung analisis lebih lanjut dalam pengelompokan preferensi pengguna berdasarkan pola penggunaan pembayaran digital.
Gambar 7.
Hasil Pengujian DBSCAN Gambar 7 menunjukkan hasil pengelompokan data menggunakan algoritma DBSCAN pada data fitur pembayaran digital.
Metode DBSCAN digunakan untuk mengidentifikasi kelompok pengguna berdasarkan kemiripan pola preferensi, dengan mempertimbangkan kepadatan data.
Pada hasil visualisasi ini terlihat bahwa mayoritas titik data membentuk satu kelompok utama yang ditandai dengan warna .
, sedangkan satu titik berada terpisah dan ditandai dengan warna berbeda .
, yang menunjukkan bahwa data tersebut diklasifikasikan sebagai noise atau outlier oleh algoritma .
luster -.
Temuan ini menunjukkan bahwa sebagian besar data memiliki karakteristik yang serupa dalam hal prefer-ensi pembayaran digital, sementara sebagian kecil mungkin memiliki pola perilaku yang tidak umum.
Penjelasan mengenai alasan data dimasukkan ke dalam masing-masing cluster tersebut akan dijelaskan secara rinci pada Tabel 4.
Tabel 4.
Hasil Clustering Fakultas Fakultas Ekonomi dan Bisnis Fakultas Ilmu Terapan Fakultas Industri Kreatif
Fakultas Informatika
Fakultas Komunikasi dan Bisnis Fakultas Rekayasa Industri
Fakultas Teknik Elektro
X10
Cluster Gambar 7 dan Tabel 4 yang menggambarkan hasil pengelompokan preferensi mahasiswa dalam penggunaan layanan pembayaran digital berdasarkan fakultas, menggunakan metode DBSCAN.
Setiap titik pada visualisasi dan baris pada tabel mewakili nilai rata-rata penilaian mahasiswa terhadap sepuluh atribut utama (X1AeX.
, yang mencerminkan aspek seperti frekuensi penggunaan, kenyamanan, keamanan, dan kepuasan terhadap fitur aplikasi pembayaran digital.
Hasil analisis menunjukkan tiga klaster.
Cluster 1 terdiri dari mahasiswa Fakultas Ekonomi dan Bisnis.
Teknik Elektro, serta Rekayasa Industri, yang menunjukkan preferensi tinggi dan penggunaan aktif terhadap berbagai fitur digital payment.
Cluster 0 mencakup mahasiswa dari Ilmu Terapan.
Industri Kreatif, dan Komunikasi dan Bisnis, dengan preferensi sedang dan penggunaan terbatas pada fitur dasar.
Sementara Analisis Cluster Terhadap Pengelompokan Preferensi Pengguna.
(Khoiri et al, 2.
ISSN(P): 2797-2313 | ISSN(E): 2775-8575 itu.
Cluster 2 yang terdiri dari Fakultas Informatika menunjukkan kecenderungan selektif, dengan penilaian kritis terhadap aspek keamanan dan efisiensi, didorong oleh latar belakang teknologi mereka.
Meskipun beberapa variabel seperti X7 dan X8 disingkat dalam tabel, semuanya tetap digunakan dalam proses analisis clustering.
Hasil ini menegaskan adanya perbedaan preferensi antar fakultas, sehingga penyedia layanan disarankan untuk menerapkan strategi berbasis segmentasi guna meningkatkan inklusi keuangan di lingkungan akademik.
KESIMPULAN
Penelitian ini bertujuan untuk mengelompokkan preferensi mahasiswa Telkom University dalam penggunaan sistem pembayaran digital menggunakan algoritma DBSCAN.
Hasil analisis menunjukkan terbentuknya tiga klaster utama.
Klaster pertama mencakup mahasiswa dengan preferensi tinggi dan penggunaan aktif, terutama dari Fakultas Ekonomi dan Bisnis.
Teknik Elektro, dan Rekayasa Industri.
Klaster kedua menunjukkan preferensi sedang dan berasal dari Fakultas Ilmu Terapan.
Industri Kreatif, serta Komunikasi Bisnis.
Klaster ketiga terdiri dari mahasiswa Fakultas Informatika yang menunjukkan preferensi selektif, kemungkinan karena latar belakang teknis mereka yang membuat lebih kritis terhadap aspek keamanan dan efisiensi layanan.
Temuan ini sejalan dengan penelitian Prameswari et al.
yang juga menggunakan DBSCAN untuk segmentasi pengguna e-wallet dan menemukan variasi preferensi berdasarkan intensitas dan kenyamanan penggunaan.
Namun, penelitian ini memperluas pendekatan tersebut dengan menambahkan evaluasi validitas klaster menggunakan empat metrik sekaligus untuk memperoleh pengelompokan yang lebih objektif.
Meskipun demikian, penelitian ini memiliki beberapa keterbatasan.
Data hanya mencakup mahasiswa dan belum melibatkan dosen, masyarakat umum, maupun pelaku usaha di sekitar kampus.
Pengambilan data dilakukan dalam waktu singkat, sehingga belum menangkap dinamika perubahan preferensi secara berkala.
Selain itu, analisis belum secara eksplisit mengevaluasi pengaruh variabel demografis seperti usia, jenis kelamin, dan latar belakang pendidikan terhadap pembentukan klaster.
Metode yang digunakan juga masih terbatas pada DBSCAN tanpa perbandingan dengan algoritma lain.
Keterbatasan penelitian meliputi cakupan responden yang hanya mahasiswa, waktu pengambilan data yang singkat, serta belum dianalisisnya pengaruh variabel demografis.
Ke depan, disarankan memperluas responden, melakukan studi berkala, serta membandingkan DBSCAN dengan algoritma lain seperti K-Means atau GMM guna memperoleh hasil klasifikasi yang lebih optimal.
REFERENSI