Implementasi Hybrid K-Means Clustering dan Feedforward Neural Network untuk Klasifikasi dan Rekomendasi Keuangan Pribadi

Raphael Porteuro Bulo, Anthonio (2026) Implementasi Hybrid K-Means Clustering dan Feedforward Neural Network untuk Klasifikasi dan Rekomendasi Keuangan Pribadi. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_I.pdf Download (221kB)
	PDF BAB_II.pdf Download (296kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (531kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (211kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (215kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (1MB)
	Archive (ZIP) 00000079343_2521_LembarPengesahan.pdf Restricted to Registered users only Download (65kB)

Abstract

Rendahnya literasi keuangan dan pendekatan pengelolaan keuangan yang bersifat generik menjadi tantangan nyata bagi individu di negara berkembang dalam menyusun alokasi keuangan yang optimal sesuai kondisi finansial masing-masing. Penelitian ini mengembangkan model hybrid yang mengintegrasikan K-Means Clustering dan Feedforward Neural Network (FNN) untuk mengklasifikasikan pengguna ke dalam segmen finansial yang homogen sekaligus memprediksi alokasi keuangan bulanan secara personal. Dataset yang digunakan adalah Indian Personal Finance and Spending Habits dari Kaggle yang terdiri dari 20.000 data dengan 27 fitur. Tahap K-Means Clustering menggunakan empat fitur finansial utama dan menghasilkan tiga klaster optimal berdasarkan Elbow Method, yaitu Cluster 0 "Dewasa Produktif dengan Keluarga Besar" (40,1%), Cluster 1 "Pra-Pensiun Mandiri" (30,2%), dan Cluster 2 "Dewasa Muda Mandiri" (29,8%). Pada setiap klaster dilatih model FNN dengan arsitektur dua lapisan tersembunyi, fungsi aktivasi ReLU, dan lapisan keluaran berfungsi aktivasi Sigmoid untuk memprediksi 12 kategori pengeluaran. Hyperparameter optimal ditentukan melalui Grid Search atas 81 kombinasi konfigurasi, menghasilkan arsitektur terbaik 6432, 12832, dan 3216 neuron untuk masing-masing klaster. Evaluasi model pada skala MinMax menghasilkan MAPE rata-rata sebesar 7,61%, dengan MAE rata-rata sebesar 0.0495, dan RMSE dengan rata-rata sebesar 0.1022. Hasil ini menunjukkan bahwa model hybrid K-Means dan FNN mampu menghasilkan prediksi alokasi keuangan yang cukup akurat berdasarkan segmentasi tahap kehidupan finansial pengguna.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Raphael Porteuro Bulo, Anthonio (00000079343)
Contributors:	Endariahna Surbakti, Eunike
Keywords:	Alokasi Keuangan Pribadi, Feedforward Neural Network, K-Means Clustering, Model Hybrid, Segmentasi Finansial
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	24 Jul 2026 08:07
URI:	https://kc.umn.ac.id/id/eprint/48047

Actions (login required)

View Item