Optimisasi Hybrid Recommendation System dengan Clustering menggunakan Machine Learning

Abstract

Bank seringkali menawarkan produk finansial yang bersifat generik dan kurang spesifik terhadap kebutuhan masing-masing nasabah, sehingga tingkat keberhasilan pemasaran produk finansial cenderung rendah dan kurang efektif. Penelitian ini bertujuan untuk mengoptimalkan sistem rekomendasi produk finansial dengan menerapkan hybrid recommender system yang mengintegrasikan teknik segmentasi nasabah berbasis machine learning. Segmentasi dilakukan melalui teknik clustering yang menggabungkan model RFM (Recency, Frequency, Monetary) dengan data demografis dan rata-rata saldo harian nasabah, menghasilkan segmentasi yang lebih akurat dan relevan dalam mengidentifikasi preferensi serta kebutuhan masing-masing segmen nasabah.Proses pengembangan model dilakukan dengan metodologi CRISP-ML(Cross-Industry Standard Process for Machine Learning) , menggunakan algoritma clustering K-Means dan DBSCAN. Hasil evaluasi menunjukkan bahwa algoritma DBSCAN memiliki performa yang lebih unggul dibandingkan K-Means dalam mengelompokkan nasabah sesuai karakteristik yang spesifik. Selain itu, penerapan machine learning memungkinkan model untuk memperbarui segmen secara real-time berdasarkan data transaksi terbaru, sehingga mampu beradaptasi dengan perubahan perilaku nasabah secara dinamis dan responsive. Recommender system kemudian dibangun berdasarkan produk-produk populer pada masing-masing segmen, dengan asumsi bahwa nasabah dalam segmen yang sama memiliki preferensi yang serupa. Sistem ini membantu bank mengidentifikasi peluang Cross-Selling dan Up-Selling secara lebih tepat sasaran. Hasil akhir dari penelitian ini adalah recommender system yang mampu memberikan rekomendasi produk yang sesuai dengan karakteristik demografis, seperti usia, jenis kelamin, pekerjaan, nilai RFM, dan rata-rata saldo harian nasabah, sehingga meningkatkan relevansi dan efektivitas penawaran produk serta kepuasan nasabah. Hasil penelitian menunjukkan bahwa sistem yang dibangun mampu meningkatkan efektivitas pemasaran dari 48% menjadi 78% dan kepuasan nasabah dari 65% menjadi 92%. Dengan segmentasi yang lebih akurat dan rekomendasi produk yang relevan, sistem ini memberikan pengalaman layanan yang lebih personal dan mendukung efisiensi pemasaran bank.   Kata Kunci: Hybrid Recommender System, Clustering, K-Means, DBSCAN, RFM , Bank