Segmentasi Konsumen Berbasis Algoritma K-Means untuk Optimalisasi Strategi Pemasaran pada Data Perbankan

Abstract

Segmentasi konsumen merupakan strategi penting dalam dunia perbankan untuk memahami karakteristik nasabah secara lebih mendalam dan menyusun pendekatan pemasaran yang lebih efektif. Penelitian ini bertujuan untuk menerapkan algoritma K-Means dalam mengelompokkan nasabah berdasarkan atribut demografis dan finansial, seperti usia, saldo, durasi interaksi, jumlah kontak selama kampanye, serta status pinjaman. Dataset diambil dari sumber terbuka Kaggle dan dianalisis menggunakan Python dengan bantuan pustaka Pandas, Seaborn, Matplotlib, dan Scikit-Learn. Untuk menentukan jumlah klaster optimal, digunakan Elbow Method, yang menghasilkan nilai optimal pada k=4. Selanjutnya, dilakukan visualisasi data menggunakan PCA serta grafik batang untuk menganalisis distribusi atribut kategorikal (pekerjaan, pendidikan, status pinjaman). Hasil klasterisasi menunjukkan bahwa tiap klaster memiliki karakteristik unik yang dapat dimanfaatkan dalam penyusunan strategi pemasaran yang lebih tepat sasaran. Misalnya, klaster dengan saldo tinggi dan respons kampanye yang baik cocok untuk ditawarkan produk investasi, sementara klaster dengan keterlibatan rendah membutuhkan pendekatan edukatif. Penelitian ini membuktikan bahwa algoritma K-Means efektif dalam mendukung pengambilan keputusan berbasis data (data-driven decision making) dalam sektor pemasaran perbankan.