Kombinasi K-Means dan Fuzzy C-Means untuk Clustering Transaksi PPOB Berdasarkan Validitas Cluster

Authors

  • Nanda Setiawan Universitas Potensi Utama
  • Heru Fredi Universitas Potensi Utama
  • Bualazatulo Laia Universitas Potensi Utama
  • Yiska Dayanti Zagoto Universitas Potensi Utama
  • Johan Universitas Potensi Utama
  • Andreas Jorghy Parapat Universitas Potensi Utama
  • Wahyu Saptha Negoro Universitas Potensi Utama

DOI:

https://doi.org/10.62712/juktisi.v4i3.839

Keywords:

Kombinasi K-Means, Fuzzy C-Means, Clustering Transaksi, Validitas Cluster

Abstract

Perkembangan layanan Payment Point Online Bank (PPOB) telah mendorong peningkatan signifikan pada volume dan kompleksitas data transaksi digital yang dihasilkan. Algoritma K-Means merupakan salah satu metode clustering yang paling banyak digunakan karena kesederhanaan, efisiensi komputasi, dan kemampuannya dalam menangani data berskala besar. Tujuan penelitian adalah mengelompokkan data transaksi PPOB secara optimal menggunakan kombinasi algoritma K-Means dan Fuzzy C-Means (FCM) serta mengevaluasi kualitas cluster berdasarkan validitas cluster. Data yang digunakan dalam penelitian ini merupakan data transaksi Payment Point Online Bank (PPOB) periode Januari 2024 yang diolah menggunakan Google Colaboratory (Google Colab). Data tersimpan dalam format CSV dan berisi informasi transaksi yang dilakukan oleh berbagai loket PPOB dengan jumlah data: 498.853 data transaksi. Penerapan metode Fuzzy C-Means memberikan hasil yang lebih sesuai karena mampu merepresentasikan derajat keanggotaan ganda pada loket-loket yang berada di zona transisi antar cluster. Keberadaan zona transisi tersebut membuktikan bahwa pendekatan Fuzzy lebih tepat digunakan dalam konteks bisnis PPOB yang dinamis, di mana performa loket dapat berubah seiring waktu dan tidak selalu berada pada kategori yang bersifat mutlak.

Downloads

Download data is not yet available.

References

J. R. J. Thompson, L. Feng, R. M. Reesor, and C. Grace, Know Your Clients’ behaviours: a cluster analysis of financial transactions. Department of Statistical and Actuarial Sciences: University of Western Ontario, 2020. Accessed: Jan. 28, 2026. [Online]. Available: https://arxiv.org/abs/2005.03625

S. Nofal, “Identifying highly-valued bank customers with current accounts based on the frequency and amount of transactions,” Heliyon, vol. 10, no. 13, pp. 1–23, Jul. 2025, doi: 10.1016/j.heliyon.2024.e33490.

D. F. Suntoro, N. Fitriani, and A. Wibowo, “SEGMENTASI PENDAPATAN DARI PAYMENT AGGREGATOR MENGGUNAKAN METODE KLASTERISASI K-MEANS,” jicon, vol. 13, no. 1, pp. 18–25, Mar. 2025, doi: 10.35508/jicon.v13i1.12691.

M. R. Dzikrillah, D. H. Gutama, D. P. Wijaya, and D. Danianti, “Implementasi Algoritma K-Means dalam Pengelompokkan Tingkat Transaksi Produk PPOB Nusantara,” JIP, vol. 10, no. 3, pp. 341–350, May 2024, doi: 10.33795/jip.v10i3.4917.

M. H. Zikri, S. Monalisa, and F. Muttakin, “Customer Segmentation Using the RFMD Model and Fuzzy C-Means Algorithm,” JSC, vol. 7, no. 3, pp. 386–395, Dec. 2024, doi: 10.37396/jsc.v7i3.481.

S. Ghosh and S. Kumar, “Comparative Analysis of K-Means and Fuzzy C-Means Algorithms,” IJACSA, vol. 4, no. 4, 2013, doi: 10.14569/IJACSA.2013.040406.

A. Abdulhafedh, “Applying K-Means Clustering and Fuzzy C-Means Clustering in Vehicle Crashes,” OALib, vol. 12, no. 04, pp. 1–11, 2025, doi: 10.4236/oalib.1112856.

D. L. Aditya and D. Fitrianah, “COMPARATIVE STUDY OF FUZZY C-MEANS AND K-MEANS ALGORITHM FOR GROUPING CUSTOMER POTENTIAL IN BRAND LIMBACK,” JRisInf, vol. 3, no. 4, pp. 327–334, Sep. 2021, doi: 10.34288/jri.v3i4.241.

L. Firlian, R. Fadila, M. K. Ridho, E. Sunandi, and U. Aflah, “Pendekatan Data Mining dalam Optimalisasi Margin Penjualan Adidas: Studi Klasterisasi dengan K-Means dan Fuzzy C-Means,” Euler J. Ilm. Mat. Sains dan Teknol., vol. 13, no. 2, pp. 229–237, Jul. 2025, doi: 10.37905/euler.v13i2.32417.

G. Daruhadi and P. Sopiati, “Pengumpulan Data Penelitian,” J-CEKI : Jurnal Cendekia Ilmiah, vol. 3, no. 5, pp. 5423–5423, 2024, doi: https://doi.org/10.56799/jceki.v3i5.5181.

H. Taherdoost, “Data Collection Methods and Tools for Research; A Step-by-Step Guide to Choose Data Collection Technique for Academic and Business Research Projects,” International Journal of Academic Research in Management (IJARM), vol. 10, no. 1, pp. 10–38, 2021.

V. O. Ajayi, “A Review on Primary Sources of Data and Secondary Sources of Data,” SSRN Journal, 2025, doi: 10.2139/ssrn.5378785.

P. Koukaras and C. Tjortjis, “Data Preprocessing and Feature Engineering for Data Mining: Techniques, Tools, and Best Practices,” AI, vol. 6, no. 10, p. 257, Oct. 2025, doi: 10.3390/ai6100257.

A. P. Joshi and B. V. Patel, “Data Preprocessing: The Techniques for Preparing Clean and Quality Data for Data Analytics Process,” Orient. J. Comp. Sci. and Technol, vol. 13, no. 0203, pp. 78–81, Jan. 2021, doi: 10.13005/ojcst13.0203.03.

Moh. Baha’Uddin and Z. Fatah, “Penerapan Data Mining Clustering K-Means Dalam Mengelompokkan Data Penduduk Penyandang Disabilitas,” Gudang Jurnal Multidisiplin Ilmu, vol. 2, no. 10, pp. 86–94, 2024, doi: https://doi.org/10.59435/gjmi.v2i11.1040.

O. Gurler, “COMPREHENSIVE ANALYSIS OF FUZZY C - MEANS CLUSTERING AND ITS VARIANTS,” JMTE, vol. 9, no. 1, pp. 69–93, Aug. 2024, doi: 10.62476/jmte9269.

Downloads

Published

2026-02-07

How to Cite

Setiawan, N., Fredi , H., Laia, B., Zagoto, Y. D., Johan, Parapat, A. J., & Negoro, W. S. (2026). Kombinasi K-Means dan Fuzzy C-Means untuk Clustering Transaksi PPOB Berdasarkan Validitas Cluster. Jurnal Komputer Teknologi Informasi Sistem Informasi (JUKTISI), 4(3), 2251–2263. https://doi.org/10.62712/juktisi.v4i3.839

Issue

Vol. 4 No. 3 (2026): Februari 2026

Section

Articles

License

Copyright (c) 2025 Nanda Setiawan, Heru Fredi , Bualazatulo Laia, Yiska Dayanti Zagoto, Johan, Andreas Jorghy Parapat, Wahyu Saptha Negoro

Creative Commons License

This work is licensed under a Creative Commons Attribution 4.0 International License.