Kajian untuk Segmentasi Customer Bank dengan Algoritma K-Means
Main Article Content
Abstract
Artikel ini dibuat untuk memenuhi tugas kelompok periode Ujian Akhir Semester mata kuliah Pembelajaran Mesin (Machine Learning), disamping itu artikel ini diharapkan dapat menjadi salah satu sumber informasi terkait ANALISIS SEGMEN CUSTOMER BANK MENGGUNAKAN ALGORITMA K-MEANS. Dalam era transformasi digital, penting bagi lembaga keuangan seperti bank untuk memahami lebih dalam keberagaman pelanggan mereka. Penelitian ini menerapkan algoritma K-Means untuk mengungkap segmen pelanggan yang tidak terlihat, membuka pintu wawasan baru dalam penyajian layanan perbankan. Melalui analisis frekuensi transaksi, saldo akun, jenis produk, dan aktivitas perbankan lainnya, kami merinci karakteristik unik dari setiap segmen pelanggan. Proses K-Means membantu kita mengidentifikasi pola tersembunyi dan mengelompokkan pelanggan dengan preferensi serupa. Hasilnya memberikan pandangan mendalam tentang perilaku pelanggan, memungkinkan lembaga keuangan untuk menyesuaikan strategi pemasaran, personalisasi layanan, dan meningkatkan interaksi dengan pelanggan. Dengan demikian, penelitian ini tidak hanya menghasilkan informasi yang berharga untuk bank, tetapi juga menciptakan dasar yang kuat untuk meningkatkan pengalaman pelanggan dan keunggulan kompetitif dalam era perbankan digital yang terus berkembang.
Article Details
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
References
Anggar, S., Melati, K., & Wibowo, A. (2020). SEGMENTASI PELANGGAN MENGGUNAKAN METODE K-MEANS CLUSTERING BERDASARKAN MODEL QRF PADA PERUSAHAAN RINTISAN PENYEDIA TENAGA KERJA. 6(2). http://ejournal.fikom-unasman.ac.id
Ariati, I., Nugraha Norsa, R., Akhsan, L., & Heikal, J. (2023). SEGMENTASI PELANGGAN MENGGUNAKAN K-MEANS CLUSTERING STUDI KASUS PELANGGAN UHT MILK GREENFIELD. Jurnal Ilmiah Indonesia, 2(7), 629–643. https://doi.org/10.36418/cerdika.xxx
ASLANTAŞ, G., GENÇGÜL, M., RUMELLİ, M., ÖZSARAÇ, M., & BAKIRLI, G. (2023). Customer Segmentation Using K-Means Clustering Algorithm and RFM Model. Deu Muhendislik Fakultesi Fen ve Muhendislik, 25(74), 491–503. https://doi.org/10.21205/deufmd.2023257418
Defina, F., Alhamdani, S., Dianti, A. A., & Azhar, Y. (2021). Kredit Menggunakan Metode K-Means Clustering. In JISKa (Vol. 6, Issue 2). MEI. https://www.kaggle.com/arjunbhasin2013/ccdata.
Firdaus, U., & Utama, D. N. (2021). Development of bank’s customer segmentation model based on rfm+b approach. ICIC Express Letters, Part B: Applications, 12(1), 17–26. https://doi.org/10.24507/icicelb.12.01.17
Harun. (2011). PENGARUH CUSTOMER RELATIONSHIP MARKETING DAN NILAI NASABAH TERHADAP LOYALITAS NASABAH (Studi Kasus: Pada PT Bank Muamalat Cabang Jambi) The Effect of Customer Relationship Marketing and Customer Value to Customer Loyalty (Case Study: Muamalat Bank Jambi Branch). Jurnal Manajemen Pemasaran Modern, 3(1).
Defina, F., Alhamdani, S., Dianti, A. A., & Azhar, Y. (2021). Kredit Menggunakan Metode K-Means Clustering. In JISKa (Vol. 6, Issue 2). MEI. https://www.kaggle.com/arjunbhasin2013/ccdata.
Sulistyo Wibowo, A. (2024). Analisis Churn Nasabah Bank Dengan Pendekatan Machine Learning dan Pengelompokan Profil Nasabah dengan Pendekatan Clustering. 2(1), 30–41. https://doi.org/10.61132/konstruksi.v2i1.43