Comparative Clustering and Financial Profiling of Credit Card Customers using Internal Validation Metrics

Abstract

Penelitian ini membandingkan algoritma K-Means, Agglomerative Hierarchical Clustering, dan DBSCAN untuk segmentasi deskriptif nasabah kartu kredit. Dataset yang digunakan terdiri atas 8.950 baris data dan 18 atribut, yaitu CUST_ID dan 17 atribut perilaku. Setelah atribut CUST_ID dikeluarkan, atribut PURCHASES dihapus dari matriks clustering karena redundansi dengan atribut ONEOFF_PURCHASES dan INSTALLMENTS_PURCHASES, sehingga terdapat 16 atribut yang distandarisasi menggunakan Z-Score. Nilai kosong ditangani menggunakan metode median imputation, sedangkan outlier dideteksi menggunakan metode IQR tanpa dilakukan penghapusan. Pada algoritma K-Means dengan nilai k = 3, nilai Silhouette sebesar 0,205760, CH 1.623,154600, dan DBI 1,659384. Namun, nilai k = 6 menghasilkan Silhouette K-Means tertinggi, k = 2 menghasilkan nilai CH tertinggi, dan k = 5 menghasilkan nilai DBI terendah di antara nilai k = 2-6. Oleh karena itu, k = 3 digunakan untuk profiling, bukan karena dinyatakan unggul pada seluruh metrik. Profil yang terbentuk terdiri atas High Cash-Advance Use (13,46%), High Purchase Activity (37,46%), dan Low Activity (49,07%). Hasil penelitian menunjukkan bahwa pemisahan cluster masih lemah dan belum mengukur gagal bayar, profitabilitas, maupun efektivitas strategi perbankan.