Klasterisasi Bank di Indonesia Berdasarkan Kinerja Finansial Menggunakan Algoritma K-Means

Afiyah Nur  Hafidzah; Hasrat Setiawan Gulo; Sevliana Prisca  Yolanda; Veliana Putri Ayu  Saban; Vella Aprilia Sari; Nanang Nanang

doi:10.31004/riggs.v4i2.1387

Authors

Afiyah Nur Hafidzah Universitas Pamulang
Hasrat Setiawan Gulo Universitas Pamulang
Sevliana Prisca Yolanda Universitas Pamulang
Veliana Putri Ayu Saban Universitas Pamulang
Vella Aprilia Sari Universitas Pamulang
Nanang Nanang Universitas Pamulang

DOI:

https://doi.org/10.31004/riggs.v4i2.1387

Keywords:

K-means, klasterisasi, Analisis, Perbankan, Kinerja Keuangan

Abstract

Industri perbankan di Indonesia memiliki keragaman yang sangat luas, yang mencakup bank-bank milik negara, swasta domestik, asing, dan juga bank pembangunan daerah. Variasi ini menyebabkan kesulitan dalam mengevaluasi posisi kompetitif serta kesehatan seluruh pasar. Tujuan dari penelitian ini adalah untuk mengelompokkan bank-bank di Indonesia ke dalam kategori-kategori yang seragam berdasarkan kinerja mereka. Dengan memanfaatkan algoritma pembelajaran tanpa pengawasan K-Means, studi ini menganalisis kumpulan data yang terdiri dari 25 bank terkemuka di Indonesia. Variabel yang digunakan untuk pengelompokan meliputi Aset, Kredit yang Diberikan, Laba, dan proporsi Kepemilikan Asing. Sebelum analisis, data melalui proses pra-pemrosesan yang meliputi konversi data kategorikal menjadi numerik dan normalisasi dengan menggunakan StandardScaler. Analisis ini berhasil menemukan 3 klaster yang berbeda secara signifikan: (1) Klaster Bank Besar dengan Aset dan Laba yang dominan; (2) Klaster Bank yang Mayoritas Dimiliki Asing dengan ukuran menengah; dan (3) Klaster Bank Lokal dan Regional yang memiliki fokus pada pasar yang lebih khusus. Sebagai kesimpulan, pengelompokan ini memberikan gambaran yang jelas tentang struktur pasar perbankan dan bisa menjadi dasar bagi regulator, investor, serta pelaku industri dalam mengambil keputusan strategis.

Downloads

Download data is not yet available.

References

Angelidis, T., & Degiannakis, S. (2008). Volatility forecasting: Intra-day versus inter-day models. Journal of International Financial Markets, Institutions and Money, 18(5), 449–465. https://doi.org/10.1016/J.INTFIN.2007.07.001

Berger, A. N., Hasan, I., & Zhou, M. (2009). Bank ownership and efficiency in China: What will happen in the world’s largest nation? Journal of Banking & Finance, 33(1), 113–130. https://doi.org/10.1016/J.JBANKFIN.2007.05.016

Bholowalia, P., & Kumar, A. (2014). EBK-Means: A Clustering Technique based on Elbow Method and K-Means in WSN. International Journal of Computer Applications, 105(9), 975–8887.

D. D. Siregar. (2013). Kekayaan Negara: Siapa punya, siapa kuasa?.

Francis X. Diebold. (1996). The Uncertain Unit Root in Real GNP: Comment on JSTOR. https://www.jstor.org/stable/2118292

Han, J. , K. M. , & P. J. (2012). Data Mining: Concepts and Techniques | ScienceDirect. https://www.sciencedirect.com/book/9780123814791/data-mining-concepts-and-techniques

J. VanderPlas. (2016). Python Data Science Handbook | Python Data Science Handbook. https://jakevdp.github.io/PythonDataScienceHandbook/

Kou, G., Peng, Y., & Wang, G. (2014). Evaluation of clustering algorithms for financial risk analysis using MCDM methods. Information Sciences, 275, 1–12. https://doi.org/10.1016/J.INS.2014.02.137

McKinney, W. (2010). Data Structures for Statistical Computing in Python. Scipy, 56–61. https://doi.org/10.25080/MAJORA-92BF1922-00A

Mulyaningsih, T., & Daly, A. (2012). COMPETITIVE CONDITIONS IN BANKING INDUSTRY: AN EMPIRICAL ANALYSIS OF THE CONSOLIDATION, COMPETITION AND CONCENTRATION IN THE INDONESIA BANKING INDUSTRY BETWEEN 2001 AND 2009. Buletin Ekonomi Moneter Dan Perbankan, 14(2), 151–186. https://doi.org/10.21098/BEMP.V14I2.461

OJK. (2021). id kanal perbankan data-dan-statistik statistik-perbankan-indonesia Default - ojk-go. https://www.ojk.go.id/id/kanal/perbankan/data-dan-statistik/statistik-perbankan-indonesia/Default.aspx

Pedregosa, F. , V. G. , G. A. , et al. (2011). Scikit-learn: Machine Learning in Python. http://www.jmlr.org/papers/v12/pedregosa11a.html

Rousseeuw, P. J. (1987). Silhouettes: A graphical aid to the interpretation and validation of cluster analysis. Journal of Computational and Applied Mathematics, 20(C), 53–65. https://doi.org/10.1016/0377-0427(87)90125-7

Tan, P. N. , S. M. , & K. V. (2019). Introduction to Data Mining. https://www-users.cse.umn.edu/~kumar001/dmbook/index.php

Trivedi, S. , & S. M. K. (2018). Advances in lightning modeling, computation and measurement. IEEE Transactions on Electromagnetic Compatibility, 60(6), 2077–2077. https://doi.org/10.1109/TEMC.2018.2818559