Perbandingan Kinerja Algoritma K-Means dan DBSCAN dalam Segmentasi Nasabah Berdasarkan Data Pemasaran Bank
Keywords:
Customer Segmentation, Clustering, K-Means, DBSCAN, Bank Data Marketing, Unsupervised LearningAbstract
Segmentasi nasabah merupakan salah satu pendekatan penting dalam industri perbankan untuk meningkatkan efektivitas strategi pemasaran dan pengelolaan risiko. Penelitian ini memiliki tujuan untuk membandingkan performa dua algoritma clustering yang umum digunakan, yaitu K-Means dan DBSCAN, dalam melakukan segmentasi nasabah berdasarkan data pemasaran bank. Data yang digunakan berasal dari dataset pemasaran bank yang tersedia di Kaggle, mencakup atribut seperti usia, jenis pekerjaan, status perkawinan, tingkat pendidikan, saldo tabungan, serta riwayat kampanye sebelumnya. Proses analisis melibatkan pra-pemrosesan data, ekstraksi fitur, standardisasi data, dan implementasi algoritma clustering. Evaluasi hasil dilakukan menggunakan metrik Silhouette Score menunjukkan bahwa algoritma K-Means menghasilkan nilai Nilai Silhouette Score yang lebih tinggi serta Davies-Bouldin Index (DBI) yang lebih rendah dibandingkan DBSCAN menunjukkan bahwa K-Means mampu menghasilkan klaster yang lebih solid (kompak) dan memiliki batas pemisah yang lebih tegas antar kelompok data. Namun, DBSCAN menunjukkan keunggulan dalam kemampuan mendeteksi noise dan mengelompokkan data dengan bentuk tidak teratur. Dengan demikian, pemilihan algoritma terbaik sangat bergantung pada karakteristik data dan tujuan segmentasi. Untuk data pemasaran bank dengan distribusi relatif seragam, K-Means menjadi pilihan yang lebih optimal.
References
M. M. Putri, C. Dewi, E. Permata Siam, G. Asri Wijayanti, N. Aulia, and R. Nooraeni, “Comparison of DBSCAN and K-Means Clustering for Grouping the Village Status in Central Java 2020 Komparasi DBSCAN dan K-Means Clustering pada Pengelompokan Status Desa di Jawa Tengah Tahun 2020,” J. Mat. Stat. dan Komputasi, vol. 17, no. 3, pp. 394–404, 2021, doi: 10.20956/j.v17i3.11704.
T. Setyani, A. F. Octaviansyah, and R. Andika, “Penerapan Data Mining Menggunakan Metode K-Means Clustering Pada Penjualan Handphone Dan Elektronik (Studi Kasus?: Cv Rey Gasendra),” vol. 5, no. 1, pp. 18–22, 2024.
S. A. D. Budiman, D. Safitri, and D. Ispriyanti, “Perbandingan Metode K-Means Dan Metode Dbscan Pada Pengelompokan Rumah Kost Mahasiswa Di Kelurahan Tembalang Semarang,” J. Gaussian, vol. 5, pp. 757–762, 2016, [Online]. Available: http://ejournal-s1.undip.ac.id/index.php/gaussian
S. Ramadhani, M. Sihombing, and M. Simanjuntak, “Classification Of Diseases In Patients Based On Factors Environment Using The K-Means Algorithm At Puskesmas Subdistrict Selesai,” J. Artif. Intell. Eng. Appl., vol. 3, no. 1, pp. 279–286, 2023, doi: 10.59934/jaiea.v3i1.309.
P. Srivastava and D. S. Saxena, “Enhanced Customer?: A Comparative Analysis of Leading Clustering Algorithms,” vol. 10, no. 4, pp. 258–262, 2025.
F. M. Pranata, S. H. Wijoyo, and N. Y. Setiawan, “Analisis Performa Algoritma K-Means dan DBSCAN Dalam Segmentasi Pelanggan Dengan Pendekatan Model RFM,” vol. 1, no. 1, pp. 2548–964, 2017, [Online]. Available: http://j-ptiik.ub.ac.id
M. Z. R. F. K. M. Razaul, “Optimizing Customer Segmentation in the Banking Sector: A Comparative Analysis of Machine Learning Algorithms Article,” no. December, pp. 104–111, 2023, doi: 10.32996/jcsts.
A. W. W. Rizqina Rahmati, “Analisis Cluster Dengan Algoritma K-Means, Fuzzy C-Means Dan Hierarchical Clustering (Studi Kasus: Indeks Pembangunan Manusia tahun 2019),” vol. 5, no. 2, pp. 73–80, 2021.
R. A. Widodo and A. Jananto, “Implementasi Data Mining dalam Clustering Menu Favorit Pada Cafe Anetos . Coffeebrunch Menggunakan Algoritme K-Means,” J. Ilm. Komput., vol. 19, pp. 710–724, 2023.
N. H. Ahsina, F. Fatimah, and F. Rachmawati, “Berdasarkan Pengambilan Kredit Dengan Menggunakan Metode K-Means Clustering,” vol. 8, no. 3, 2022.
S. Syiva Multi Fani, Rukun Santoso, “Penerapan text mining untuk melakukan clustering data tweet akun blibli pada media sosial twitter menggunakan k-means clustering 1,2,3,” vol. 10, pp. 583–593, 2021.
A. R. Dina Selvia, “Implementasi Metode K-Means Clustering Dengan Teknik Pengolahan Citra Untuk Mengidentifikasi Jenis Sepatu,” pp. 361–366, 2025.
D. P. Agustino, I. G. B. A. Budaya, I. G. Harsemadi, I. K. Dharmendra, and I. M. S. A. Pande, “Comparison of the DBSCAN Algorithm and Affinity Propagation on Business Incubator Tenant Customer Segmentation,” J. Sisfokom (Sistem Inf. dan Komputer), vol. 12, no. 2, pp. 315–321, 2023, doi: 10.32736/sisfokom.v12i2.1682.
Y. Hasan, “Pengukuran Silhouette Score dan Davies-Bouldin Index pada Hasil Cluster,” vol. 06, no. 01, pp. 60–74, 2024.
B. S. Ashari, S. C. Otniel, and Rianto, “Perbandingan Kinerja K-Means Dengan DSCAN Untuk Metode Clustering Data Penjualan Online Retail,” J. Siliwangi, vol. 5, no. 2, pp. 72–77, 2019, [Online]. Available: http://jurnal.unsil.ac.id/index.php/jssainstek/article/view/1283
I. T. Sarmini, Windiya Ma’arifah, “Sistem Pendukung Keputusan Berbasis K-Means untuk Evaluasi Keberhasilan Bisnis dan Nilai Perusahaan,” vol. 04, 2024, doi: 10.21456/vol14iss4pp363-374.
A. Saputra and R. Yusuf, “Comparison of the DBSCAN and K-MEANS Algorithms in Segmenting Customers Using Public Transportation of Transjakarta Using the RFM Method Perbandingan Algoritma DBSCAN dan K-MEANS dalam Segmentasi Pelanggan Pengguna Transportasi Publik Transjakarta Menggunakan Metode RFM,” vol. 4, no. October, pp. 1346–1361, 2024.
M. S. Hasibuan, A. H. Lubis, and M. N. Sari, “Perbandingan algoritma clustering dbscan dan k-means dalam pengelompokan siswa terbaik Comparison of dbscan and k-means clustering algorithms in grouping the best students,” vol. 5, pp. 301–309, 2024.
G. A. Dennis Alfa Imanuel, “Visualisasi Segmentasi Pelanggan Berdasarkan Atribut Rfm Menggunakan Algoritma K-Means Untuk Memahami Karakteristik Pelanggan Pada Toko Retail Online Visualization Of Customer Segmentation Based On Rfm Attributes Using K-Means Algorithm To Comprehend Cust,” vol. 12, no. 2, pp. 283–292, 2025, doi: 10.25126/jtiik.2025128619.
