Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal IKRA-ITH Informatika : Jurnal Komputer dan Informatika
Sigit Ananda Murwato
Universitas 17 Agustus 1945 Surabaya
Computer Science & IT

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Segmentasi Profil Risiko Pelanggan Pada Data Accounts Receivable Menggunakan K-Means Clustering Berbasis Elbow Method Sigit Ananda Murwato; Dimas Aditya Putra Wardhana; Siti Clara Baangga Rahawarin; Ekstyananda Naufal Fawwaz
IKRA-ITH Informatika : Jurnal Komputer dan Informatika Vol. 10 No. 3 (2026): IKRAITH-INFORMATIKA Vol 10 No 3 November 2026
Publisher : Fakultas Teknik Universitas Persada Indonesia YAI

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Metode konvensional pemantauan piutang usaha menggunakan laporan umur piutang seringkali memiliki keterbatasan karena bersifat statis dan satu dimensi. Pendekatan ini kerap gagal membedakan antara pelanggan dengan volume transaksi besar yang memiliki termin pembayaran khusus, dengan pelanggan yang benar-benar mengalami gagal bayar, sehingga meningkatkan risiko salah sasaran dalam strategi penagihan. Penelitian ini bertujuan untuk mengimplementasikan teknik data mining menggunakan algoritma K-Means Clustering untuk melakukan segmentasi profil risiko pelanggan secara komprehensif dan multidimensi. Penelitian menggunakan data sekunder laporan umur piutang yang melalui tahap feature engineering menjadi tiga dimensi perilaku utama: tingkat keterlambatan (Average Days Past Due), total nilai hutang (Total Debt), dan frekuensi transaksi (Frequency). Algoritma K-Means kemudian diterapkan pada data yang telah dinormalisasi. Untuk menjamin objektivitas pengelompokan, jumlah klaster optimal ditentukan melalui validasi matematis Elbow Method. Evaluasi Elbow Method menunjukkan bahwa variabilitas data paling optimal dibagi menjadi 3 klaster. Hasil segmentasi berhasil mengidentifikasi tiga profil pelanggan, yaitu pelanggan reguler dengan risiko rendah, pelanggan dengan risiko tinggi, dan pelanggan spesial (VIP). Pendekatan klasterisasi dengan data mining terbukti lebih akurat dibandingkan metode tradisional dalam profil risiko pelanggan. Segmentasi ini memberikan wawasan strategis bagi manajemen untuk menerapkan kebijakan penagihan yang tepat sasaran
Co-Authors Dimas Aditya Putra Wardhana Ekstyananda Naufal Fawwaz Siti Clara Baangga Rahawarin