VISUALISASI SEGMENTASI FITUR ATM MENGGUNAKAN ANALISIS RFM DAN ALGORITMA K-MEANS UNTUK MENDUKUNG EVALUASI FITUR ATM DI PT. BANK BRISYARIAH - ITS Repository

  VISUALISASI SEGMENTASI FITUR ATM MENGGUNAKAN ANALISIS RFM DAN ALGORITMA K-MEANS UNTUK MENDUKUNG EVALUASI FITUR ATM DI PT. BANK BRISYARIAH

  PENYUSUN : EKA AYU KURNIATI | 5211100097 DOSEN PEMBIMBING 1 : RULLY AGUS HENDRAWAN, S.KOM, M.ENG DOSEN PEMBIMBING 2 : RETNO AULIA VINARTI, S.KOM, M.KOM sidang akhir

  Tahun 2013, PT. Bank BRISyariah memiliki 413 mesin ATM diseluruh Indonesia & dilengkapi dengan 261 layanan fitur ATM

  PT. Bank BRISyariah Evaluasi untuk mengetahui fitur mana yang sering digunakan dan punya fee-based income tinggi Segmentasi fitur ATM menggunakan clustering untuk mengidentifikasi fitur ATM yang berharga bagi pihak bank

BAGAIMANA MELAKUKAN CLUSTERING FITUR ATM?

  METODE WARD

  Mencari jumlah cluster -> nilai k

  jumlah cluster

  (k)

  ALGORITMA K-MEANS

  Membentuk cluster fitur ATM

  inputan

  Data transaksi fitur ATM

  ATRIBUT RFM

  mengandung data yang bisa diubah ke atribut RFM

  Parameter fitur ATM yang paling

berharga ?

Karakteristik cluster fitur ATM ? Fitur ATM paling menguntungkan ? Visualisasi yang mempermudah pemahaman ?

  1. IDENTIFIKASI ATRIBUT CLUSTERING

• Analisis RFM
• Recency • Frequency • Monetary

  2. ATRIBUT CLUSTERING

• Data waktu transaksi, jumlah transaksi, & besar transaksi
• Tidak meliputi nomor ID ATM & lokasi ATM

  3. VISUALISASI

• Tidak meliputi pemetaan wilayah lokasi

  1. Diketahuinya mana fitur

  1. SEGMENTASI FITUR ATM ATM yang berharga dan mana yang tidak

2. PIRAMIDA FITUR ATM

  2. Paham karakteristik fitur ATM berdasarkan segmennya

3. VISUALISASI HASIL

  3. Memberikan gambaran CLUSTERING tindakan pengelolaan fitur ATM

DATA PREPROCESSING

ANALISIS RFM (1)

METODE QUERY MYSQL

  RECENCY

  FREQUENCY MONETARY Tanggal evaluasi (04/12/2014) dikurangi dengan tanggal transaksi fitur ATM terakhir dilakukan

  Jumlah transaksi fitur ATM dari tanggal 11/10/2014 s.d 04/12/ 2014

Rata-rata uang

yang

ANALISIS RFM (2)

  #Hasil transformasi data menjadi atribut RFM

RFM SCORING

  #Menentukan score yang mewakili keanggotaan fitur ATM pada RFM #Nilai RFM = (recency * 0.5)

• +(frequency*1)
• +(monetary*0.3)

METODE WARD

  # Jumlah cluster (k) = 3 # Nilai loncatan besar dari stage 41 ke stage 42, loncatan = 35384155635295.80

ALGORITMA K-MEANS

  #Jumlah anggota tiap cluster #Letak pusat masing-masing cluster

INDEKS DUNN

  cluster (k) pada algoritma K-Means

• Mengetahui apakah jumlah sudah sesuai.

  # Jumlah cluster 3 adalah yang paling optimal karena mempunyai nilai DI paling besar #Paper Sandro Saitta et.al : ”A Bounded Index for Cluster Validity” -> Semakin yang diperoleh besar maka nilai DI semakin cluster terpisah dengan baik.

INDEKS R-SQUARED

• Mengukur variasi pada cluster guna mengetahui tingkat homogenitas pada setiap cluster .

  #Nilai R = 0.310 -> hubungan dependent variable dengan lemah karena tidak predictors mendapat referensi dari SPSS berupa asterix (*).

• Distance of Case sebagai dependent

  #Nilai (R) lemah -> tingkat variable dan RECENCY, FREQUENCY, & homogenitas antar cluster rendah. MONETARY sebagai independent variable INDEKS R-SQUARED (2) #Nilai Sig. F Change = 0.253 -> Sig.

  F Change > 0.05.

  #Kesimpulan -> perbedaan dalam cluster yang terbentuk tidak signifikan.

SUM OF SQUARED ERROR (SSE)

  yang

  cluster

• Menganalisis variasi pada jarak antar pusat terbentuk.

  # Total nilai SSE = 5421553441095.500 -> variasi antar pusat cluster VISUALISASI & ANALISIS Diagram scatter plot

  KWADRAN 1 Monetary & Recency

  1. DITEMPATI CLUSTER 3

• Nilai Monetary 0 s.d 2.000.000
• Nilai Recency 0 s.d 25

  2. MONETARY CLUSTER 3 Monetary sedang

• Tingkat
• Fee-based income cukup untuk pihak bank.

  3. RECENCY CLUSTER 3 Recency tinggi

• Tingkat

  tidak lebih dari 1

• Digunakan

  bulan sejak tanggal KWADRAN 2 Diagram scatter plot Monetary & Recency

  1. DITEMPATI CLUSTER 2

• Nilai Monetary 2.000.001 s.d

  4.000.000

• Nilai Recency 0 s.d 25

  2. MONETARY CLUSTER 2

  Monetary tinggi

• Tingkat

  yang tinngi untuk pihak bank.

• Fee-based income

  3. RECENCY CLUSTER 2

  Recency sangat tinggi

  VISUALISASI & ANALISIS

• Tingkat

  tidak lebih dari

• Digunakan

VISUALISASI & ANALISIS Diagram scatter plot Monetary & Frequency

  KWADRAN 1

  1. DITEMPATI CLUSTER 3

• Nilai Monetary 0 s.d 2.000.000
• Nilai Frequency 0 s.d 4500

  2. FREQUENCY CLUSTER 3 Frequency sangat

• Tingkat

  tinggi

• Sangat sering digunakan

  untuk transaksi ATM VISUALISASI & ANALISIS Diagram scatter plot Monetary & Frequency

  KWADRAN 2

  1. DITEMPATI CLUSTER 2

• Nilai Monetary 2.000.001 s.d

  4.000.000

• Nilai Frequency 0 s.d 4500

  2. FREQUENCY CLUSTER 2 Frequency sedang

• Tin
• Cukup sering digunakan

  untuk transaksi ATM VISUALISASI & ANALISIS Diagram

  

&

scatter plot Monetary Recency

  ANALISIS DATA OUTLIERS

  Data Outliers

  1. MONETARY CLUSTER 1

• Tingkat Monetary sangat tinggi
• Fee-based income yang paling tinggi pada pihak bank

  2. MONETARY CLUSTER 2

• APAYUNISBA & CMSBERSTRF
• Tingkat Monetary tinggi
• Fee-based income yang cukup

  untuk pihak bank

  3. MONETARY CLUSTER 3

• VOIDPRIMA
• Tingkat Monetary rendah

VISUALISASI & ANALISIS Diagram

  

&

scatter plot Monetary Recency

  ANALISIS DATA OUTLIERS (2)

  Data Outliers

1. RECENCY CLUSTER 1

• Tingkat Recency tinggi
• Digunakan tidak lebih dari 1

  bulan sejak tanggal evaluasi

2. RECENCY CLUSTER 2

• APAYUNISBA & CMSBERSTRF
• Tingkat Recency sedang
• Digunakan tidak lebih dari 2

  bulan sejak tanggal evaluasi

2. RECENCY CLUSTER 3

• VOIDPRIMA
• Tingkat Recency sedang

VISUALISASI & ANALISIS Diagram

  

&

scatter plot Monetary Frequency

  ANALISIS DATA OUTLIERS (3)

  1. FREQUENCY CLUSTER 1

• Tingkat Frequency sangat

  rendah Data Outliers

• Sangat jarang digunakan

  untuk transaksi ATM

  2. FREQUENCY CLUSTER 3

• ATMBRIWDL
• Tingkat Frequency sangat

  tinggi

• Sangat sering digunakan untuk

  transaksi ATM VISUALISASI & ANALISIS

ANALISIS PIRAMIDA RFM

• Membuat urutan kategori fitur ATM berdasarkan nilai RFM

• Nilai
• ATMBRIWDL dan ATMBERSWDRL
• Nilai

  Big 5% Medium 15 %

• Fitur ATM
• Nilai
• Fitur ATM

VISUALISASI & ANALISIS DAFTAR ANGGOTA KATEGORI PIRAMIDA RFM COMMISSION.TYPE DESCRIPTIONS

  Small 80%

  # BIG (2 Fitur ATM)

  

RFM > 8

  banyak memberikan keuntungan bagi pihak bank

  # MEDIUM (7 Fitur ATM)

  RFM 7 s.d < 8

  memberikan keuntungan cukup besar untuk pihak bank

  # SMALL (32 Fitur ATM)

  RFM < 7

  memberikan keuntungan kecil

  RFM_score Pyramid_category

  7.1 Medium ATMBERSTRF ATM BERSAMA Charge TRANSFER

  Potongan Tabel Daftar Anggota Kategori

  6.2 Small

  6.4 Small BRI3PRE BRILINK THREE PREPAID

  6.6 Small BRISIMPAS BRILINK TELKOMSEL SIMPATI AS

  6.6 Small ATMSIMPATI ATM PAY SIMPATI 10000 20000 BRIS

  XPRESSMONEY MITRA ATM BERSAMA

  6.7 Small ATMBEXMON

  6.7 Small DEBITPRIMA Debit PRIMA Charge

  6.8 Small ATMBRISWDRL ATM BRIS Charge WITHDRAWAL

  7.2 Medium CMSBERSTRF CMS Bersama TRF Charges

  ATMBRIWDL ATM BRILINK Charge WITHDRAWAL

  7.2 Medium PLNPSTSMSB BRIS PLN POSTPAID SMS BANKING FEE

  XPRESSMONEY MITRA ATM PRIMA

  7.6 Medium ATMPEXMON

  XLPREATM BRIS XL PREPAID ATM FEE

  7.7 Medium

  7.7 Medium PLNPRESMSB BRIS PLN PREPAID SMS BANKING FEE

  7.9 Medium ATMBRISTRF ATM BRIS Charge TRANSFER

  8.2 Big ATMPRIMATRF ATM PRIMA Charge TRANSFER

  8.7 Big ATMBERSWDRL ATM BERS Charge WITHDRAWAL

  Piramida

  # SEGMEN 1

• Menambah aktivitas promosi

• • Mensosialisasikan sistem reward kepada mitra

• • Menjaga ketersediaan uang pada mesin ATM

  # SEGMEN 2

• Mengembangkan aktivitas promosi
• Menjaga ketersediaan uang pada mesin ATM

  # SEGMEN 3

• Mempertahankan aktivitas promosi

  1. PARAMETER

• Waktu transaksi -> (Recency & Frequency)
• Jumlah uang transaksi -> (Monetary)

  2. KARAKTERISTIK CLUSTER

• > tingkat

  Recency tinggi, Frequency sangat rendah & Monetary sangat

• Cluster 1 tinggi.
• >tingkat Recency sangat tinggi , Frequency sedang & Monetary tinggi.
• Cluster 2
• > tingkat Recency tinggi, Frequency sangat tinggi & Monetary sedang
• Cluster 3

  3. FITUR PALING MENGUNTUNGKAN ATMBRIWDL dan ATMBERSWDRL

• Cluster 3 ->

4. VISUALISASI

• Scatter plot -> mempermudah pengamatan persebaran fitur ATM & letak

  pusat tiap cluster pada atribut RFM

• > mengurutkan peringkat fitur ATM berdasarkan nilai RFM untuk
• Piramida RFM

1. MENAMBAH VARIABEL LENGTH

• Untuk menguatkan analisis RFM