<![CDATA[Dalam dunia pembiayaan, manajemen risiko kredit menjadi tantangan utama bagi lembaga keuangan. Penelitian ini bertujuan untuk menganalisis segmentasi pelanggan berdasarkan demografi guna memprediksi tingkat kredit macet menggunakan algoritma K-Means. Dataset yang digunakan diperoleh dari Kaggle, terdiri dari 10.127 data pelanggan dengan enam atribut utama yang relevan. Data diproses melalui tahap pembersihan, seleksi, dan transformasi sebelum diterapkan ke dalam model clustering. Penentuan jumlah klaster optimal dilakukan menggunakan Elbow Method, Davies-Bouldin Index, dan Silhouette Coefficient, yang menunjukkan hasil optimal pada dua klaster. Klaster pertama berisi pelanggan dengan pendapatan tinggi dan stabilitas finansial yang lebih baik, sehingga memiliki risiko kredit macet rendah. Sementara klaster kedua didominasi oleh pelanggan dengan pendapatan lebih rendah dan jumlah tanggungan lebih besar, yang berpotensi mengalami kredit macet lebih tinggi. Hasil penelitian ini menunjukkan bahwa segmentasi berbasis demografi dapat membantu lembaga pembiayaan dalam memahami karakteristik pelanggan dan merancang strategi mitigasi risiko yang lebih efektif. Harapannya, penelitian dapat diperluas dengan menambahkan variabel lain, seperti riwayat pembayaran dan kepemilikan aset, serta eksplorasi metode clustering lainnya untuk meningkatkan akurasi prediksi risiko kredit.]]>
Copyrights © 2025
