Pertumbuhan layanan pinjaman online yang pesat di Indonesia menghadirkan tantangan dalam hal pengelolaan risiko dan segmentasi pengguna, khususnya ketika data transaksi yang melimpah belum dimanfaatkan secara optimal untuk memahami perilaku peminjam. Salah satu permasalahan yang dihadapi platform seperti Kredivo adalah tidak adanya segmentasi yang jelas serta pendekatan analisis data yang efektif untuk mengidentifikasi potensi risiko kredit. Penelitian ini bertujuan untuk mengelompokkan pengguna layanan pinjaman online berdasarkan karakteristik seperti jumlah pinjaman, frekuensi keterlambatan pembayaran, usia akun, dan jumlah transaksi sebelumnya, dengan menerapkan dua algoritma klasterisasi, yaitu K-Means dan DBSCAN. Proses penelitian mencakup tahapan pra-pemrosesan data, pelatihan model, dan evaluasi performa menggunakan metrik Silhouette Score dan Davies-Bouldin Index. Hasil menunjukkan bahwa algoritma K-Means menghasilkan klasterisasi yang lebih stabil dan informatif dengan nilai Silhouette Score sebesar 0,247 dan Davies-Bouldin Index sebesar 1,5472, sedangkan DBSCAN kurang optimal dengan nilai evaluasi yang lebih rendah dan banyak data yang teridentifikasi sebagai noise. Hasil klasterisasi ini diharapkan dapat dimanfaatkan oleh perusahaan penyedia layanan pinjaman online dalam menyusun strategi penagihan dan pemasaran yang lebih tepat sasaran, sekaligus mendukung deteksi dini terhadap pengguna berisiko tinggi secara efisien dan akurat.

S12110

INF 0137 2025

Bekasi

Tersedia