PENERAPAN METODE GUSTAFSON-KESSEL CLUSTERING UNTUK MENENTUKAN SEGMENTASI DEBITUR PADA BANK CIMB NIAGA

Transkripsi

1 PENERAPAN METODE GUSTAFSON-KESSEL CLUSTERING UNTUK MENENTUKAN SEGMENTASI DEBITUR PADA BANK CIMB NIAGA APPLICATION OF GUSTAFSON-KESSEL CLUSTERING METHODS FOR SEGMENTATION DETERMINING DEBTOR AT BANK CIMB NIAGA Didik Hadi Purnomo 1), Nur Iriawan 2) 1) Program Studi Magister Manajemen Teknologi ITS Bidang Keahlian Manajemen Teknologi Informasi 2) Jurusan Statistik ITS Surabaya ABSTRAK Tujuan penelitian ini adalah untuk mengetahui hasil dalam penerapan Metode Gustafson-Kessel untuk menentukan segmentasi debitur pada Bank Cimb Niaga. Penelitian dilakukan dengan menggunakan software Matlab sebagai alat untuk mengolah data debitur dari Bank CIMB Niaga. Data yang digunakan dalam penelitian ini adalah data debitur dari CIMB Niaga khususnya cabang Surabaya Tidar dengan mengambil 1000 debitur dengan transaksi teraktif. Kesimpulan yang dapat diambil dari penelitian ini adalah Metode Gustafson-Kessel dapat diimplementasikan dalam pengelompokan data debitur Bank CIMB Niaga. Dari hasil simulasi clustering dengan kelompok (C) sebanyak 2 dan 3 pengelompokan akan menjadi paling optimal ketika banyaknya kelompok (c) adalah sebanyak 2 dan lebih tidak optimal ketika C ditambah menjadi 3 dan 4 kelompok. Dari hasil sampling sebanyak 1000 data debitur untuk pengelompokan dengan dua cluster maka di dapat hasil adalah sebanyak 15% masuk pada kelompok 1 dan sisanya 85 % masuk pada kelompok 2. Sehingga manajemen pada bank CIMB Niaga dapat mengalokasikan karyawan secara optimal pada kelompok-kelompok debitur tersebut. Dari kedua kelompok hasil cluster yang optimal maka dapat disimpulkan untuk kelompok 1 nilai kreditnya rata-rata lebih kecil dari kelompok 2, dan kemungkinan untuk kelompok 1 adalah kelompok kredit konsumer sedangkan untuk kelompok 2 adalah kelompok kredit korporasi, hal ini terlihat dengan dengan besarnya nilai Inventory yang di jaminkan pada kelompok 2. Kata Kunci : Clustering, Gustafson-Kessel, fuzzy clustering ABSTRACT The purpose of this study was to determine the result in the application of Gustafson- Kessel method to determine the segmentation of the debtor at Bank CIMB Niaga. The study was conducted by using Matlab software as a tool to process data from the Bank CIMB Niaga debtor. The data used in this study is 1000 the most active debtor data from Surabaya branch of CIMB Niaga especially Tidar Branch.The conclusion that can be drawn from this research is to Gustafson-Kessel method can be implemented in the data grouping Bank CIMB Niaga debtor. From the simulation results of clustering with group (c) by 2 and 3 grouping would be most optimal when the number of group (c) is as much as 2 and over are not optimal when c increased to 3 and 4 groups. From the results of sampling as many as 1000 data with the debtor for the grouping of the two clusters then can result in as much as 15% is entered in C-36-1

2 group 1 and the remaining 85% entered in group 2. So the management at the bank CIMB Niaga can optimally allocate employees to groups such debtor. Of the two groups of clusters that optimal results can be concluded for the group 1 the average value of credit is less than group 2, and the possibility for group 1 is a group of consumer loans, while for group 2 is a group of corporate credit, it is seen by the magnitude of the value of Inventory guaranteed that in the group 2. Keywords: Clustering, Gustafson-Kessel, Fuzzy clustering PENDAHULUAN Minat masyarakat untuk memiliki sebuah barang atau tambahan modal untuk mengembangkan usahanya dengan menggunakan kredit sangat tinggi. Hal ini terlihat dari semakin banyaknya permintaan kredit dari masyarakat melalui bank yang ada di Indonesia terutama di bank CIMB Niaga. Pengelompokan atau segmentasi debitur pada sebuah bank sangat diperlukan untuk menentukan kelayakan sebuah produk kredit perlu dikembangkan atau di ganti dengan produk kredit yang baru jika produk kredit tersebut tidak sesuai dengan segmen dari masyarakat daerah tersebut. Dengan melakukan segmentasi debitur sebuah bank juga dapat menentukan produk kredit jenis apa yang di tawarkan pada sebuah daerah. Masih banyak Bank di Indonesia yang belum menentukan segmen dari nasabahnya sehingga bank yang ada di Indonesia hanya di pisahkan menjadi 2 segmen yaitu funding dan landing. Untuk menentukan segmentasi debitur pada sebuah bank maka perlu dibuat sebuah sistem yang dapat menentukan segmentasi debitur. Sistem ini menggunakan metode Gustafson-Kessel clustering dengan menggunakan data Sistem Informasi Debitur yang di miliki oleh masing masing bank di Indonesia kita dapat mengelompokkan debitur-debitur tersebut kedalam segmen-segmen tertentu. Pemilihan metode ini karena Gustafson Kessel clustering karena metode ini termasuk salah satu metode yang besifat fuzzy clustering, dalam metode fuzzy clustering suatu obyek dapat menjadi anggota lebih dari satu cluster (beberapa cluster) secara bersamaan tetapi dengan derajat keanggotaan yang berbeda. Metode fuzzy ini lebih natural dibandingkan dengan metode hard clustering. Dengan adanya sistem ini diharapkan pihak bank dapat menentukan jenis produk kredit yang tepat untuk sebuah daerah tertentu. Sehingga dalam pemasarannya pihak marketing dapat tepat pada segmennya. METODE Studi Pustaka Studi pustaka meliputi tujuan tentang data laporan Sistem Informasi Debitur (SID), serta data-data terkait laporan perkembangan status debitur secara periodik. Pengumpulan Data Penelitian ini merupakan penelitian yang bersifat cross sectional analysis yang hanya memotret dan menganalisis suatu keadaan dalam suatu saat tertentu. Data penelitian diambil dari Sistem informasi debitur tahun Tahapan Penelitian Adapun langkah-langkah utama yang digunakan dalam penelitian ini ditunjukkan pada gambar berikut: C-36-2

3 Start Studi Pustaka Pengumpulan Data Standarisasi data dan uji korelasi Implementasi clustering dengan GK Clustering Pengukuran ketepatan dan performa cluster End Gambar 1 langkah-langkah penelitian Implementasi Clustering dengan Algoritma GK Pada tahap ini dilakukan analisis pengelompokan dari data yang ada dengan menggunakan metode Gustafson Kessel. Penentuan banyaknya kelompok yang akan dibentuk disesuaikan dengan kebutuhan organisasi pada bank CIMB Niaga. Pengukuran ketepatan dan performa cluster Pada tahap ini dilakukan pengukuran dalam penempatan kelompok-kelompok yang di hasilkan dengan metode Gustafson Kessel Clustering terhadap data debitur dengan menggunakan analisis diskriminan yang ada dalam toolbox Matlab. Selain itu dilakukan juga pengukuran performa clustering dengan menggunakan rumusan Fisher LAD atas hasil pengelompokan dengan algoritma GK dengan banyaknya cluster yang bervariasi yaitu 2,3 dan 4. HASIL DAN PEMBAHASAN Pengelompokan Debitur pada Bank CIMB Niaga dengan Metode Gustafson Kessel (GK). Dalam pengelompokan debitur pada Bank CIMB Niaga data yang di gunakan adalah data Sistem Informasi Debitur periode pelaporan bulan Oktober Percobaan Pertama - Pangkat pembobot derajat keanggotaan (m) = 2 - Faktor koreksi (Eps) = 10-5 C-36-3

4 - Banyaknya cluster yang di bentuk (nclass) = 2 - Matriks partisi awal (U0) berukuran (ndata, nclass) yang di tentukan secara random: Sistem mencapai nilai konvergensi saat iterasi ke 28. Dengan dendogram sebagai berikut: Gambar 2 Perbandingan antara cluster 1 dan Cluster 2 Dari hasil percobaan tersebut hasil yang di dapat dari pengelompokan data Sistem informasi debitur, apabila di buat dalam 2 cluster maka hasilnya adalah 15% masuk dalam cluster 1 dan sisanya 85% masuk dalam cluster 2. Percobaan Kedua - Pangkat pembobot derajat keanggotaan (m) = 2 - Faktor koreksi (Eps) = Banyaknya cluster yang di bentuk (nclass) = 3 - Matriks partisi awal (U0) berukuran (ndata, nclass) yang di tentukan secara random: Sistem mencapai nilai konvergensi saat iterasi ke 28. Dengan dendogram sebagai berikut: Gambar 3 Perbandingan antara cluster 1 dan Cluster 2 dan Cluster 3 Pada percobaan dengan parameter kedua dimana data akan di bentuk dalam 3 cluster hasil yang di dapat adalah 85% data masuk dalam cluster 3, 1% masuk cluster 2 dan sisanya 14 % masuk dalam cluster 1. Percobaan Ketiga - Pangkat pembobot derajat keanggotaan (m) = 2 - Faktor koreksi (Eps) = Banyaknya cluster yang di bentuk (nclass) = 4 C-36-4

5 - Matriks partisi awal (U0) berukuran (ndata, nclass) yang di tentukan secara random: - Sistem mencapai nilai konvergensi saat iterasi ke 20. Dengan dendogram sebagai berikut: Gambar 4 Perbandingan antara cluster 1, Cluster 2, Cluster 3 dan Cluster 4 Pada percobaan dengan parameter ketiga dimana data akan di bentuk dalam 4 cluster hasil yang di dapat adalah 85% data masuk dalam cluster 4, 14% masuk cluster 3 14% masuk cluster 2 dan sisanya 0, % masuk dalam cluster 1. Hasil Pengukuran Performa Cluster Penentuan cluster yang optimal dapat di lakukan dengan menggunakaan rumusan Fisher LDA yaitu dengan menghitung perbandingan antara between scatter matrix dengan within-scaletter matrix yang di tunjukkan dalam nilai fungsi obyektif (J). Dalam penelitian ini, pengukuran performa clustering dilakukan dengan menggunakan parameter banyak kelas (c) yang berbeda yaitu diujicobakan c=2 dan c=4 untuk mencari kombinasi banyak kelas (c) yang akan memberikan hasil pengelompokan yang optimal. Tabel 1 nilai J pada penelitian Jumlah Cluster Nilai (J) 2 0, , ,87844 Dalam penelitian ini nilai J yang dihasilkan pada c=2 adalah 0,4034 sedangkan pada saat c=3 nilai J=0,76334 sedangkan pada saat c=4 nilai J=0,87844 sehingga dapat di simpulkan pengelompokan yang paling optimal terjadi pada saat parameter banyaknya kelompok adalah 2 hal ini di tunjukkan dengan nilai J yang lebih kecil. Pembahasan Hasil Pengelompokan Untuk dapat mengetahui sifat antar kelompok, maka di lakukan pengamatan terhadap rata-rata variabel pada setiap kelompo. Berikut disajikan nilai rata-rata tiap variabel hasil pengelompokan. C-36-5

6 Tabel 2 Nilai rata-rata tiap variabel dalam kelompok Kelompok 1 Kelompok 2 PLAFOND O/S JAMINAN TUNAI SURAT BERHARGA 0 0 KENDARAAN MESIN INVENTORY RE/Tanah Bangunan Dari tabel tersebut dapat di simpulkan bahwa ciri dari kedua kelompok tersebut di cirikan antara lain untuk kelompok 1 adalah nilai Plafond, OS dan Jaminan dengan nilai yang lebih kecil dari pada kelompok 2. Dari tabel tersebut dapat juga di simpulkan bahwa jaminan yang di jaminkan untuk kredit pada kelompok 1 lebih di dominasi oleh RE/Tanah bangunan berbeda dengan kelompok 2 yang rata-rata lebih di dominasi oleh jaminan selain RE/Tanah bangunan juga di inventory mereka, sehingga kemungkinan untuk kelompok 2 adalah kebanyakan untuk kredit korporasi, sedangkan untuk kelompok 1 adalah kredit konsumer. KESIMPULAN DAN SARAN Kesimpulan Penelitian ini merupakan penelitian yang bertujuan untuk mengelompokkan debitur Bank CIMB Niaga sesuai dengan data Sistem Informasi Debitur. Metode yang di gunakan adalah metode Gustafson-Kessel. Kesimpulan yang dapat diambil dari penelitian ini adalah sebagai berikut: 1. Metode Gustafson-Kessel dapat diimplementasikan dalam pengelompokan data debitur Bank CIMB Niaga. Dari hasil simulasi clustering dengan kelompok (C) sebanyak 2 dan 3 pengelompokan akan menjadi paling optimal ketika banyaknya kelompok (c) adalah sebanyak 2 dan lebih tidak optimal ketika C ditambah menjadi 3 kelompok. 2. Dari hasil sampling sebanyak 1000 data debitur untuk pengelompokan dengan dua cluster maka di dapat hasil adalah sebanyak 15% masuk pada kelompok 1 dan sisanya 85 % masuk pada kelompok 2. Sehingga manajemen pada bank CIMB Niaga dapat mengalokasikan karyawan secara optimal pada kelompok-kelompok debitur tersebut. 3. Dari kedua kelompok hasil cluster yang optimal maka dapat disimpulkan untuk kelompok 1 nilai kreditnya rata-rata lebih kecil dari kelompok 2, dan kemungkinan untuk kelompok 1 adalah kelompok kredit konsumer sedangkan untuk kelompok 2 adalah kelompok kredit korporasi, hal ini terlihat dengan dengan besarnya nilai Inventory yang di jaminkan pada kelompok 2. Saran Dalam penelitian ini masih banyak permasalahan yang belum di kaji secara mendalam, oleh karena itu penulis memberikan saran sebagai berikut: 1. Melakukan analisis pengelompokan debitur berdasarkan variabel lainnya seperti Laporan keuangan nasabah, tingkat suku bunga atau variabel lain yang belum masuk dalam penelitian ini. C-36-6

7 2. Membentuk aplikasi atau tool yang terintegrasi dengan Sistem Informasi Debitur sehingga apabila ada debitur baru akan langsung terupdate debitur tersebut masuk dalam segmen yang mana. DAFTAR PUSTAKA Daniel, W., (1989), Statistik Nonparametrik Terapan, PT Gramedia, Jakarta F. Hair, Joseph, 1998, Multivariate Data Analysis, Prentice Hall International, Inc, New Jersey Halkidi, M., Batistakis Y., Vazirgiannis, M., (2001), On Clustering Validatin Techniques, Jurnal of intelegent Inormation System ,: April 30,2010 Kusumadewi, S., (2002), Analisis Desain Sistem Fuzzy Menggunakan Toolbox Matlab, Graha Ilmu, Yogyakarta. Kasali, Rhenald, 2000, Membidik Pasar Indonesia Segmentasi, Targeting, dan Positioning, PT Gramedia Pustaka Utama, Jakarta Liu, H., Jeng, B., Yih, J., Yu, Y., (2009), Fuzzy C -Means Algorithm Based on Standard Mahalanobis Distances, Prosceding of international Symposium on Information Processing (ISIP 09), April 20, 2010 Pravitasari, AA., (2009), Analisis pengelompokan dengan Fuzzy C -means Cluster (kasus pengelompokan kecamatan di kabupaten Tuban berdasarkan Tingkat Partisipasi Pendidikan), Tesis, Jurusan Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Teknologi Sepuluh Nopember, Surabaya. Richard a jhonson, Applied Statistical Analysis, Prentice Hall International, Inc, New Jersey Wang, L., (1997), A Fuzzy Course in Fuzzy System and Control, Prentice-Hall Inc, New Jersey Weinstein, 2001, Market Segmentation, Probus, Chicago C-36-7