Bank Bukopin berdiri tanggal 10 Juli 1970 dengan fokus pada segmen UMKMK, saat ini tumbuh dan berkembang menjadi bank yang masuk ke kelompok bank menengah di Indonesia dari sisi aset. Seiring dengan terbukanya kesempatan dan peningkatan kemampuan melayani kebutuhan masyarakat yang lebih luas, Bank Bukopin telah mengembangkan usahanya ke segmen komersial dan konsumer.

Ketiga segmen ini merupakan pilar bisnis Bank Bukopin, dengan pelayanan secara konvensional maupun syariah, yang didukung oleh sistem pengelolaan dana yang optimal, kehandalan TI, kompetensi SDM dan praktek tata kelola perusahaan yang baik. Landasan ini memungkinkan Bank Bukopin melangkah maju dan menempatkannya sebagai suatu bank yang kredibel. Operasional Bank Bukopin kini didukung lebih dari 280 kantor yang tersebar di 22 provinsi di seluruh Indonesia yang terhubung secara real time on-line. Bank Bukopin juga telah membangun jaringan micro-banking yang diberi nama “Swamitra”, yang kini berjumlah 543 outlet, sebagai wujud program kemitraan dengan koperasi dan lembaga keuangan mikro.

Dengan struktur permodalan yang semakin kokoh sebagai hasil pelaksanaan Initial Public Offering (IPO) pada bulan Juli 2006, Bank Bukopin terus mengembangkan program operasionalnya dengan menerapkan skala prioritas sesuai strategi jangka pendek yang telah disusun dengan matang. Penerapan strategi tersebut ditujukan untuk menjamin dipenuhinya layanan perbankan yang komprehensif kepada nasabah melalui jaringan yang terhubung secara nasional maupun internasional, produk yang beragam serta mutu pelayanan dengan standar yang tinggi.

Keseluruhan kegiatan dan program yang dilaksanakan pada akhirnya berujung pada sasaran terciptanya citra Bank Bukopin sebagai lembaga perbankan yang terpercaya dengan struktur keuangan yang kokoh, sehat dan efisien. Keberhasilan membangun kepercayaan tersebut akan mampu membuat Bank Bukopin tetap tumbuh memberi hasil terbaik secara berkelanjutan. (PT. Bank Bukopin, Tbk, 2003)..

Visi Perusahaan :

• Menjadi lembaga keuangan terkemuka dalam pelayanan jasa keuangan yang terintegrasi.

Misi Perusahaan :

•

Memberikan solusi jasa keuangan yang unggul dan komprehensif yang

memenuhi kebutuhan nasabah dalam dunia usaha, individu, dan keluarga. •

Berperan aktif dalam mengembangkan Usaha Menengah, Kecil dan Mikro

yang berdaya saing. •

Membangun keterlibatan karyawan dalam meningkatkan produktivitas untuk

kesejahteraan karyawan. •

Meningkatkan nilai tambah investasi bagi pemegang saham melalui

pengelolaan usaha yang pruden.

12

Pada era globalisasi sekarang ini persaingan di dunia perbankan yang semakin kompetitif dalam hal menarik dan mempertahankan nasabah, bank harus berjuang untuk mendapatkan keunggulan kompetitif dalam hal layanan dan produknya di mata nasabah. Untuk mengelola data nasabah ini, dibutuhkan sebuah metode yang bisa digunakan untuk menggali informasi-informasi tersembunyi dari data transaksi. Metode tersebut dikenal dengan Data Mining. Studi kasus ini membahas pengelompokan transaksi ATM melalui fasilitas mesin ATM milik Bank Bukopin,Tbk menggunakan teknik clustering dan membuat aplikasinya kemudian menganalisis hasilnya sehingga diharapkan mampu

memberikan

informasi bagi yang berkepentingan. Algoritma K-Means merupakan salah satu algoritma teknik clustering yang dimulai dengan pemilihan K secara acak, yang merupakan banyaknya cluster yang ingin dibentuk dari data yang akan di cluster. Hal yang telah dilakukan pada pengembangan perangkat lunak ini akan diulas pada bagian akhir studi kasus ini.

Data mining adalah suatu metode pengolahan data untuk menemukan pola yang tersembunyi dari data tersebut. Hasil dari pengolahan data dengan metode data mining ini dapat digunakan untuk mengambil keputusan di masa depan. Data mining ini juga dikenal dengan istilah pattern recognition (Santosa, 2007).

Pada dasarnya clustering merupakan suatu metode untuk mencari dan mengelompokkan data yang memiliki kemiripan karakteriktik (similarity) antara satu

13

data dengan data yang lain. Clustering merupakan salah satu metode data mining yang bersifat tanpa arahan (unsupervised), maksudnya metode ini diterapkan tanpa adanya latihan (taining) dan tanpa ada guru (teacher) serta tidak memerlukan target output. Dalam data mining ada dua jenis metode clustering yang digunakan dalam pengelompokan data, yaitu hierarchical clustering dan non-hierarchical clustering (Santosa, 2007).

Hierarchical clustering adalah suatu metode pengelompokan data yang dimulai dengan mengelompokkan dua atau lebih objek yang memiliki kesamaan paling dekat. Kemudian proses diteruskan ke objek lain yang memiliki kedekatan kedua. Demikian seterusnya sehingga cluster akan membentuk semacam pohon dimana ada hierarki (tingkatan) yang jelas antar objek, dari yang paling mirip sampai yang paling tidak mirip. Secara logika semua objek pada akhirnya hanya akan membentuk sebuah cluster.

Berbeda dengan metode hierarchical clustering, metode non-hierarchical clustering justru dimulai dengan menentukan terlebih dahulu jumlah cluster yang diinginkan (dua cluster, tiga cluster, atau lain sebagainya). Setelah jumlah cluster diketahui, baru proses cluster dilakukan tanpa mengikuti proses hierarki. Metode ini biasa disebut dengan K-Means Clustering (Santoso, 2010).

K-means clustering merupakan salah satu metode data clustering non-hirarki yang mengelompokan data dalam bentuk satu atau lebih cluster/kelompok. Data-data yang memiliki karakteristik yang sama dikelompokan dalam satu cluster/kelompok dan data yang memiliki karakteristik yang berbeda dikelompokan dengan cluster/kelompok yang lain sehingga data yang berada dalam satu cluster/kelompok memiliki tingkat variasi yang kecil (Agusta, 2007).

1. Tentukan K sebagai jumlah cluster yang ingin dibentuk

2. Bangkitkan K centroid (titik pusat cluster) awal secara random

Dalam menentukan n buah pusat cluster awal dilakukan pembangkitan bilangan random yang merepresentasikan urutan data input. Pusat awal cluster didapatkan dari data sendiri bukan dengan menentukan titik baru, yaitu dengan merandom pusat awal dari data.

3. Hitung jarak setiap data ke masing-masing centroids

Untuk mengukur jarak antara data dengan pusat cluster digunakan Euclidian distance.

4. Setiap data memilih centroids yang terdekat,Jarak hasil perhitungan akan dilakukan perbandingan dan dipilih jarak terdekat antara data dengan pusat cluster, jarak ini menunjukkan bahwa data tersebut berada dalam satu kelompok dengan pusat cluster terdekat.

5. Tentukan posisi centroids yang baru dengan cara menghitung nilai rata-rata dari data-data yang terletak pada centroid yang sama, Pusat cluster yang baru digunakan untuk melakukan iterasi selanjutnya, jika hasil yang didapatkan belum konvergen. Proses iterasi akan berhenti jika telah memenuhi maksimum iterasi yang dimasukkan oleh User atau hasil yang dicapai sudah konvergen (pusat cluster baru sama dengan pusat cluster lama).

6. Kembali ke langkah 3 jika posisi centroids baru dengan centroids yang lama tidak sama.