Melola Discovery

← Melola Discovery

Jurnal SINTA 2

Clustering Credit Card Holder Berdasarkan Pembayaran Tagihan Menggunakan Improved K-Means dengan Particle Swarm Optimization

Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) · Vol. 5 No. 6 (2018) · pp. 737–744

DOI
10.25126/jtiik.201856858
ISSN
2528-6579, 2355-7699
Published
2018-11-22
Publisher
Fakultas Ilmu Komputer, Universitas Brawijaya
Language
id

Abstract

AbstrakKartu kredit merupakan salah satu bentuk media bagi nasabah untuk melakukan kredit dalam sebuah proses transaksi yang telah disetujui oleh bank bersangkutan. Bank harus selektif dalam menganalisa nasabah yang ingin mengajukan penerbitan kartu kredit untuk menghindari adanya kredit macet yang dapat menimbulkan kerugian pada bank, sehingga sangat penting untuk mengetahui karakteristik nasabah dengan melakukan clustering. Bank akan dapat mengambil keputusan untuk pertimbangan penerbitan kartu kredit dengan mencocokkan nasabah baru kedalam cluster-cluster yang telah dibentuk dan mengetahui kelayakan nasabah untuk diberikan akses kartu kredit dalam melakukan transaksi. K-Means adalah salah satu metode populer yang digunakan untuk clustering. Tetapi, metode K-Means tidak dapat memberikan solusi optimum karena keterbatasannya dalam penentuan titik centroid yang optimal, sehingga untuk memperbaiki metode K-Means dalam penelitian ini digunakan salah satu algoritma evolusi yaitu Particle Swarm Optimization (PSO) untuk generate titik centroid optimum yang digunakan dalam proses perhitungan K-Means. Hasil pengujian dilakukan dengan membandingkan nilai Silhouette Coefficient dari cluster yang dibentuk menggunakan K-Means murni dan Improved K-Means dengan PSO yang menghasilkan nilai masing–masing yaitu 0,3312 dan 0,3730. AbstractCredit card is one form of media for customers to credit in a transaction process that has been approved by the bank concerned. Banks should be selective in analyzing customers who want to apply for credit card issuance to avoid bad debts that can cause losses to banks, so it is very important to know the characteristics of customers by clustering. The Bank will be able to take decisions for credit card issuance by matching new customers into the established clusters and knowing the eligibility of customers to be granted credit card access in making transactions. K-Means is a popular method that is applied in the clustering process. However, the K-Means method can not provide the optimum solution because of its limitation in determining the optimal centroid point, so to improve the K-Means method in this research is used one of the evolution algorithm namely Particle Swarm Optimization (PSO) to generate optimum centroid point used in k-means calculation process. The test results were performed by comparing the coefficient silhouette values of the clusters formed using pure K-Means and Improved K-Means with PSO which yielded respective values of 0,31614 and 0,39484, respectively.

Keywords

Collaboration network of the authors

39 authors · 92 co-authorship links · 43 across different organisations

Hover or tap a name to highlight its co-authors. Double-click to open the author's page.

  • University of Brawijaya
  • National Research and Innovation Agency
  • Indonesian Institute of Sciences
  • Institut Teknologi, Sains, dan Kesehatan RS.DR. Soepraoen Kesdam V/BRW
  • Affiliation unknown
  • Different organisations
  • Same organisation
  • Affiliation unknown
  • Thicker line = more joint articles · bigger circle = more articles
Show as table
Co-authorOrganisationJoint articles
Nanang Yudi SetiawanUniversity of Brawijaya2
Vicky ZilvanIndonesian Institute of Sciences2
Asri Rizki YulianiIndonesian Institute of Sciences2
Ade RamdanIndonesian Institute of Sciences2
Sutrisno .Affiliation unknown2
Tibyani TibyaniUniversity of Brawijaya2
Hilman Ferdinandus PardedeNational Research and Innovation Agency2
Wahyu Teja KusumaInstitut Teknologi, Sains, dan Kesehatan RS.DR. Soepraoen Kesdam V/BRW2
Herman TolleUniversity of Brawijaya2
Nur Laita Rizki AmaliaUniversity of Brawijaya1
Imam CholissodinUniversity of Brawijaya1
Budi Darma SetiawanUniversity of Brawijaya1
Rizal Arif ZulfikarUniversity of Brawijaya1
I Putu Pradnyana IswaraUniversity of Brawijaya1
Wayan Firdaus MahmudyUniversity of Brawijaya1
Cleoputri YusainyUniversity of Brawijaya1
Irvi OktanisaUniversity of Brawijaya1
Aditya Hari BawonoUniversity of Brawijaya1
Nabila Divanadia LuckyanaUniversity of Brawijaya1
Yusi Tyroni MursityoUniversity of Brawijaya1
Yustinus Radityo PradanaUniversity of Brawijaya1
Komang Candra BrataUniversity of Brawijaya1
Santi Yunika SufianaUniversity of Brawijaya1
Mochammad IzzuddinUniversity of Brawijaya1
Syaiful AnamUniversity of Brawijaya1
Onky PrasetyoUniversity of Brawijaya1
R. Budiarianto Suryo KusumoNational Research and Innovation Agency1
Satrio Hadi WijoyoUniversity of Brawijaya1
Abdul Harris WicaksonoUniversity of Brawijaya1
Didik KrisnandiNational Research and Innovation Agency1
Ana HeryanaNational Research and Innovation Agency1
Fawwaz Roja MahardikaUniversity of Brawijaya1
Raden Sandra YuwanaNational Research and Innovation Agency1
Endang SuryawatiNational Research and Innovation Agency1
Muhammad Aminul AkbarUniversity of Brawijaya1
Carlista NabaUniversity of Brawijaya1
Mochammad Isa AnshoriInstitut Teknologi, Sains, dan Kesehatan RS.DR. Soepraoen Kesdam V/BRW1

Affiliations come from OpenAlex; journal OAI-PMH metadata carries none. Authors without an OpenAlex ID are matched by name, which can merge or split people.

Metadata source: OAI-PMH (metadata jurnal) https://jtiik.ub.ac.id/index.php/jtiik/en/oai, first harvested 27 Okt 2026, last seen 27 Okt 2026.
Original metadata (oai_dc) 
<oai_dc:dc xmlns="http://www.openarchives.org/OAI/2.0/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/  http://www.openarchives.org/OAI/2.0/oai_dc.xsd">
	<dc:title xml:lang="id">Clustering Credit Card Holder Berdasarkan Pembayaran Tagihan Menggunakan Improved K-Means dengan Particle Swarm Optimization</dc:title>
	<dc:creator xml:lang="id">Mar'i, Farhanna</dc:creator>
	<dc:creator xml:lang="id">Supianto, Ahmad Afif</dc:creator>
	<dc:subject xml:lang="id">credit card holders</dc:subject>
	<dc:subject xml:lang="id">clustering</dc:subject>
	<dc:subject xml:lang="id">improved k-means</dc:subject>
	<dc:subject xml:lang="id">particle swarm optimization</dc:subject>
	<dc:description xml:lang="id">AbstrakKartu kredit merupakan salah satu bentuk media bagi nasabah untuk melakukan kredit dalam sebuah proses transaksi yang telah disetujui oleh bank bersangkutan. Bank harus selektif dalam menganalisa nasabah yang ingin mengajukan penerbitan kartu kredit untuk menghindari adanya kredit macet yang dapat menimbulkan kerugian pada bank, sehingga sangat penting untuk mengetahui karakteristik nasabah dengan melakukan  clustering. Bank akan dapat mengambil keputusan untuk pertimbangan penerbitan kartu kredit dengan mencocokkan nasabah baru kedalam cluster-cluster yang telah dibentuk dan mengetahui kelayakan nasabah untuk diberikan akses kartu kredit dalam melakukan transaksi. K-Means adalah salah satu metode populer yang digunakan untuk clustering. Tetapi, metode K-Means tidak dapat memberikan solusi optimum karena keterbatasannya dalam penentuan titik centroid yang optimal, sehingga untuk memperbaiki metode K-Means dalam penelitian ini digunakan salah satu algoritma evolusi yaitu Particle Swarm Optimization (PSO) untuk generate titik centroid optimum yang digunakan dalam proses perhitungan K-Means. Hasil pengujian dilakukan dengan membandingkan nilai Silhouette Coefficient dari cluster yang dibentuk menggunakan K-Means murni dan Improved K-Means dengan PSO yang menghasilkan nilai masing–masing yaitu 0,3312 dan 0,3730. AbstractCredit card is one form of media for customers to credit in a transaction process that has been approved by the bank concerned. Banks should be selective in analyzing customers who want to apply for credit card issuance to avoid bad debts that can cause losses to banks, so it is very important to know the characteristics of customers by clustering. The Bank will be able to take decisions for credit card issuance by matching new customers into the established clusters and knowing the eligibility of customers to be granted credit card access in making transactions. K-Means is a popular method that is applied in the clustering process. However, the K-Means method can not provide the optimum solution because of its limitation in determining the optimal centroid point, so to improve the K-Means method in this research is used one of the evolution algorithm namely Particle Swarm Optimization (PSO) to generate optimum centroid point used in k-means calculation process. The test results were performed by comparing the coefficient silhouette values of the clusters formed using pure K-Means and Improved K-Means with PSO which yielded respective values of  0,31614 and 0,39484, respectively. </dc:description>
	<dc:publisher xml:lang="en">Fakultas Ilmu Komputer, Universitas Brawijaya</dc:publisher>
	<dc:date>2018-11-22</dc:date>
	<dc:type>info:eu-repo/semantics/article</dc:type>
	<dc:type>info:eu-repo/semantics/publishedVersion</dc:type>
	<dc:format>application/pdf</dc:format>
	<dc:identifier>https://jtiik.ub.ac.id/index.php/jtiik/article/view/858</dc:identifier>
	<dc:identifier>10.25126/jtiik.201856858</dc:identifier>
	<dc:source xml:lang="id">Jurnal Teknologi Informasi dan Ilmu Komputer; Vol 5 No 6: Desember 2018; 737-744</dc:source>
	<dc:source xml:lang="en">Jurnal Teknologi Informasi dan Ilmu Komputer; Vol. 5 No. 6: Desember 2018; 737-744</dc:source>
	<dc:source>2528-6579</dc:source>
	<dc:source>2355-7699</dc:source>
	<dc:source>10.25126/jtiik.201856</dc:source>
	<dc:language>id</dc:language>
	<dc:relation>https://jtiik.ub.ac.id/index.php/jtiik/article/view/858/pdf</dc:relation>
	<dc:rights xml:lang="en">Copyright (c) 2018 Jurnal Teknologi Informasi dan Ilmu Komputer</dc:rights>
</oai_dc:dc>