Sistem Informasi Peminjaman Aset dengan Analisis Perilaku Peminjam Menggunakan K-Means Clustering

Abstract

Batam Pos, sebuah perusahaan media regional, telah mengelola pinjaman aset operasionalnya (kamera, laptop, kendaraan, dan peralatan lainnya) menggunakan proses manual, kertas, dan spreadsheet. Pendekatan ini menyebabkan pencatatan yang buruk, pengembalian yang tertunggak berulang, dan keputusan persetujuan yang dibuat tanpa referensi historis terhadap perilaku masa lalu peminjam. Studi ini merancang dan mengembangkan sistem informasi pinjaman aset berbasis web yang mengintegrasikan analisis perilaku peminjam menggunakan algoritma K-Means Clustering. Lima variabel perilaku diambil dari riwayat transaksi: frekuensi pinjaman (F1), durasi pinjaman rata-rata (F2), tingkat keterlambatan pengembalian (F3), keberagaman kategori aset (F4), dan total nilai aset pinjaman (F5). Sistem ini dibangun dengan kerangka kerja Laravel dan basis data MySQL, sementara komputasi klaster diimplementasikan dalam Python (scikit-learn) dan diekspos sebagai API REST Flask yang dikonsumsi oleh Laravel. Metode Siku dan Skor Siluet digunakan untuk mengevaluasi jumlah klaster yang optimal, menghasilkan tiga segmen peminjam: Aktif dan Disiplin, Kasual, dan Berisiko, yang divisualisasikan di dasbor SDM sebagai dukungan keputusan selama proses persetujuan pinjaman.Pengujian kotak hitam pada 37 skenario yang mencakup 12 persyaratan fungsional mencapai tingkat keberhasilan 100%. Pengujian Penerimaan Pengguna yang melibatkan 15 responden menghasilkan skor penerimaan keseluruhan sebesar 88,0% (kategori yang sangat baik). Evaluasi klaster menunjukkan akurasi klasifikasi 100% dan Indeks Davies-Bouldin sebesar 0,8714, keduanya memenuhi target mereka, sementara Skor Siluet mencapai 37,2%, di bawah target 50%, menunjukkan bahwa pemisahan klaster masih dipengaruhi oleh ukuran dataset peminjam yang terbatas (14 peminjam). Validasi kualitatif dengan administrator aset dan staf SDM menunjukkan bahwa 83,3% setuju bahwa label klaster yang dihasilkan mencerminkan perilaku aktual peminjam. Hasil ini menunjukkan bahwa sistem telah berhasil diimplementasikan dan diterima dengan baik oleh pengguna, meskipun kualitas klasterisasi masih dapat ditingkatkan seiring bertambahnya data transaksi seiring waktu.