Pengelompokan ATM Menggunakan Metode K-Means Dengan Ekstraksi Fitur RFM Pada Bank XYZ

Bagaskara, Affindi Mario (2020) Pengelompokan ATM Menggunakan Metode K-Means Dengan Ekstraksi Fitur RFM Pada Bank XYZ. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.

[img] Text
05211640000089-Undergraduate_Thesis.pdf - Accepted Version
Restricted to Repository staff only

Download (3MB) | Request a copy

Abstract

ATM (Automated Teller Machine) adalah mesin yang digunakan untuk membantu proses transaksi keuangan secara cepat, praktis, dan terintegrasi. Pengguna ATM bisa melakukan transaksi keuangan hampir ke seluruh dunia, baik mengirim atau menarik uang dan melakukan pembayaran tagihan secara online tanpa harus mengantri di Bank. Data dari worldbank.org menyebutkan, rasio jumlah mesin ATM yang ada di Indonesia adalah sebanyak 16,448 per 100.000 orang dewasa pada 2016. Angka ini terus mengalami pertumbuhan sampai tahun 2017, yaitu mencapai 55,477 mesin per 100.000 orang dewasa. Namun pada tahun 2018 mengalami penurunan sebesar 1,37% dari tahun 2017. Hal ini membuktikan adanya masalah sehingga menyebabkan bank-bank di Indonesia melakukan pengurangan pada mesin ATM. Tak terkecuali dengan Bank XYZ, yang memiliki permasalahan dalam peletakan mesin ATM dan jumlah pengendapan uang. Penelitian ini dilakukan untuk mengelompokkan ATM yang berada di bawah naungan Bank XYZ dengan menggunakan metode K-Means. Berdasarkan penelitian sebelumnya, penerapan metode K-Means cocok untuk diterapkan pada data time series. Pada penelitian ini akan menggunakan data transaksi ATM Bank XYZ pada bulan Juli 2019 yang akan ditambahkan ekstraksi fitur recency, frequency, and monetary (RFM) dan pembobotan Analitycal Hierarchy Process (AHP). Hasil yang didapatkan dari penelitian ini adalah untuk mengetahui pengelompokkan ATM berdasarkan frekuensi transaksi tinggi, sedang, dan rendah. Tujuan penelitian ini adalah untuk menyediakan bahan analisis untuk pihak manajemen mengenai pengelolaan mesin ATM Bank XYZ yang lebih efektif agar jumlah pengendapan uang pada ATM bisa berkurang. Kata kunci: ATM, Pengelompokan, K-Means, RFM, AHP. ================================================================================================================== ATM (Automatic Teller Machines) is a machine that used to help process financial transactions quickly, practically, and in an integrated manner. ATM users can make financial transactions throughout the world, either sending or withdrawing money and making payments online without having to queue at the bank. Data from worldbank.org cites the ratio of the number of ATM machines in Indonesia to 16,448 per 100,000 adults in 2016. This figure continues to increase until 2017, reaching 55,477 machines per 100,000 adults. But in 2018 managed to decrease by 1.37% from 2017. This proves the existence of problems that cause banks in Indonesia to use the ATM machine. No exception with Bank XYZ, which has differences in the placement of ATM machines and the amount of money deposited. This research was conducted to classify ATMs under the auspices of Bank XYZ using the K-Means method. Based on previous research, the application of the K-Means method is suitable to be applied to time series data. In this study, Bank XYZ ATM transaction data in July 2019 will be added to the extraction of novelty, frequency and monetary (RFM) features and weighting of the Analitycal Hierarchy Process (AHP). The expected outcome of this research is to study ATM groupings based on high, medium and low transaction frequencies. The existence of this research is expected to be able to provide analytical material for management regarding the more effective Bank XYZ ATM machines so that the amount of money deposited at an ATM can be reduced. Keywords: ATM, Clustering, K- Means, RFM, AHP.

Item Type: Thesis (Undergraduate)
Uncontrolled Keywords: ATM, Pengelompokan, K-Means, RFM, AHP. ATM, Clustering, K-Means, RFM, AHP.
Subjects: Q Science
Q Science > QA Mathematics
Q Science > QA Mathematics > QA278.55 Cluster analysis
Q Science > QA Mathematics > QA278 Cluster Analysis. Multivariate analysis. Correspondence analysis (Statistics)
T Technology > T Technology (General)
T Technology > T Technology (General) > T58.6 Management information systems
Divisions: Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Information System > 57201-(S1) Undergraduate Thesis
Depositing User: Affindi Mario Bagaskara
Date Deposited: 19 Aug 2020 07:07
Last Modified: 19 Aug 2020 07:07
URI: https://repository.its.ac.id/id/eprint/79212

Actions (login required)

View Item View Item