<![CDATA[Peningkatan penggunaan kartu kredit di berbagai lapisan masyarakat diikuti oleh meningkatnya risiko credit default yang berpotensi menimbulkan kerugian finansial bagi institusi keuangan. Penelitian ini bertujuan untuk melakukan segmentasi perilaku pengguna kartu kredit serta menganalisis potensi default pada setiap segmen menggunakan metode K-Means Clustering. Data yang digunakan berasal dari Credit Card User Behavior and Default Dataset dari Kaggle, yang mencakup 10.000 nasabah dengan 24 atribut. Metodologi penelitian meliputi praproses data, seleksi fitur berbasis korelasi, penentuan jumlah cluster optimal menggunakan Elbow Method dan Silhouette Analysis, serta visualisasi dengan Principal Component Analysis (PCA). Hasil penelitian menunjukkan bahwa jumlah cluster optimal diperoleh pada K=2 dengan nilai Silhouette Score sebesar 0,250, lebih tinggi dibandingkan K=3 (0,195) dan K=4 (0,178). Segmentasi yang dihasilkan mampu mengidentifikasi perbedaan karakteristik perilaku nasabah yang berkaitan dengan tingkat risiko default. Kontribusi penelitian ini terletak pada integrasi metode unsupervised learning untuk segmentasi perilaku dengan analisis risiko pada tiap cluster, serta pengembangan aplikasi berbasis web menggunakan Streamlit untuk mendukung prediksi segmen nasabah secara interaktif. The increasing use of credit cards across various segments of society has led to a higher risk of credit default, potentially causing financial losses for financial institutions. This study aims to segment credit card user behavior and analyze default risk within each segment using the K-Means Clustering method. The dataset used is the Credit Card User Behavior and Default Dataset from Kaggle, consisting of 10,000 customers with 24 attributes. The research methodology includes data preprocessing, correlation-based feature selection, determination of the optimal number of clusters using the Elbow Method and Silhouette Analysis, and visualization using Principal Component Analysis (PCA). The results indicate that the optimal number of clusters is K=2, achieving the highest Silhouette Score of 0.250, compared to K=3 (0.195) and K=4 (0.178). The resulting segmentation identifies distinct behavioral characteristics associated with different levels of default risk. The main contribution of this study lies in integrating unsupervised learning for behavioral segmentation with risk analysis in each cluster, as well as implementing the model in a web-based application using Streamlit to support interactive decision-making.]]>
