<![CDATA[Perkembangan teknologi data telah mendorong sektor perbankan untuk memanfaatkan data transaksi sebagai sumber informasi dalam mendukung pengambilan keputusan. Volume transaksi yang terus meningkat menghasilkan data dalam jumlah besar yang mengandung pola dan karakteristik transaksi yang bisa diteliti lebih mendalam. Penelitian ini bertujuan untuk mengidentifikasi profil transaksi dan karakteristik kelompok transaksi melalui penerapan teknik pengelompokan K-Means. Jenis data yang digunakan adalah data transaksi perbankan sebanyak 1.348 transaksi yang terdiri atas atribut waktu transaksi, kode transaksi, sistem transaksi, nominal transaksi, dan jenis transaksi. Sebelum proses clustering, data melalui tahap preprocessing, yang mencakup seleksi atribut, transformasi data, dan normalisasi. Metode Elbow digunakan untuk menghitung jumlah cluster, dan algoritma K-Means digunakan untuk mengelompokkan. Hasil penelitian menunjukkan bahwa 1.348 data transaksi telah dikelompokkan ke dalam lima cluster (A–E). Cluster B memiliki jumlah transaksi terbesar, sedangkan Cluster E memiliki jumlah transaksi paling sedikit namun memiliki rata-rata nominal transaksi tertinggi. Hasil pengelompokan menunjukkan kemampuan metode K-Means untuk mengidentifikasi pola transaksi berdasarkan ciri-cirinya dan memberikan informasi yang bermanfaat dalam memahami profil transaksi dan mendukung proses pengambilan keputusan di lingkungan perbankan.]]>
Copyrights © 2026
