<![CDATA[Penelitian ini bertujuan untuk menganalisis pola transaksi pelanggan pada agen BRILink menggunakan algoritma K-Means clustering guna mendukung optimalisasi pengelolaan kas dan saldo. Peningkatan volume transaksi yang tidak terkontrol sering menyebabkan ketidakseimbangan antara ketersediaan kas dan saldo digital pada agen, sehingga berpotensi menghambat pelayanan kepada pelanggan. Penelitian ini menggunakan pendekatan data mining dengan metode clustering untuk mengelompokkan data transaksi berdasarkan tingkat kemiripan karakteristiknya. Tahapan penelitian meliputi pengumpulan data, praproses data (transformasi dan normalisasi), penentuan jumlah klaster menggunakan metode Elbow, penerapan algoritma K-Means clustering, serta analisis karakteristik masing-masing klaster yang terbentuk. Hasil penelitian menunjukkan bahwa data transaksi dapat dikelompokkan menjadi empat klaster utama, yaitu cash heavy (C1), digital heavy (C2), big deals (C3), dan low transaction (C4). Setiap klaster memiliki karakteristik yang berbeda sehingga dapat digunakan sebagai dasar dalam pengambilan keputusan terkait strategi pengelolaan kas dan saldo secara lebih efektif dan efisien.]]>
Copyrights © 2026
