Segmentasi Profil Risiko Pelanggan Pada Data Accounts Receivable Menggunakan K-Means Clustering Berbasis Elbow Method

Metode konvensional pemantauan piutang usaha menggunakan laporan umur piutang seringkali memiliki keterbatasan karena bersifat statis dan satu dimensi. Pendekatan ini kerap gagal membedakan antara pelanggan dengan volume transaksi besar yang memiliki termin pembayaran khusus, dengan pelanggan yang benar-benar mengalami gagal bayar, sehingga meningkatkan risiko salah sasaran dalam strategi penagihan. Penelitian ini bertujuan untuk mengimplementasikan teknik data mining menggunakan algoritma K-Means Clustering untuk melakukan segmentasi profil risiko pelanggan secara komprehensif dan multidimensi. Penelitian menggunakan data sekunder laporan umur piutang yang melalui tahap feature engineering menjadi tiga dimensi perilaku utama: tingkat keterlambatan (Average Days Past Due), total nilai hutang (Total Debt), dan frekuensi transaksi (Frequency). Algoritma K-Means kemudian diterapkan pada data yang telah dinormalisasi. Untuk menjamin objektivitas pengelompokan, jumlah klaster optimal ditentukan melalui validasi matematis Elbow Method. Evaluasi Elbow Method menunjukkan bahwa variabilitas data paling optimal dibagi menjadi 3 klaster. Hasil segmentasi berhasil mengidentifikasi tiga profil pelanggan, yaitu pelanggan reguler dengan risiko rendah, pelanggan dengan risiko tinggi, dan pelanggan spesial (VIP). Pendekatan klasterisasi dengan data mining terbukti lebih akurat dibandingkan metode tradisional dalam profil risiko pelanggan. Segmentasi ini memberikan wawasan strategis bagi manajemen untuk menerapkan kebijakan penagihan yang tepat sasaran