Analisis Perbandingan Gaussian Mixture Model dan Robust Trimmed Gaussian Mixture Model untuk Segmentasi Nasabah Berdasarkan Perilaku Pembayaran Kredit

Abstract

Segmentasi nasabah berdasarkan perilaku pembayaran kredit berperan penting dalam mengidentifikasi pola pembayaran serta mendukung strategi pengelolaan nasabah pada sektor perbankan. Namun, data transaksi keuangan umumnya mengandung pencilan yang dapat menurunkan kualitas klasterisasi dan mendistorsi estimasi parameter model. Penelitian ini bertujuan membandingkan performa Gaussian Mixture Model (GMM) dan Robust Trimmed Gaussian Mixture Model (RTGMM) untuk segmentasi nasabah berdasarkan perilaku pembayaran kredit. Data yang digunakan adalah Default of Credit Card Clients Dataset dari UCI Machine Learning Repository yang terdiri atas 30.000 nasabah kartu kredit. Tahap pra-pemrosesan meliputi ordinal cumulative probability encoding, transformasi Yeo–Johnson, dan standardisasi data. Evaluasi model dilakukan menggunakan Bayesian Information Criterion (BIC), Integrated Completed Likelihood (ICL), Silhouette Score, Calinski–Harabasz Index, dan Davies–Bouldin Index. Hasil penelitian menunjukkan bahwa GMM optimal diperoleh pada  , sedangkan RTGMM optimal pada  dengan proporsi trimming α = 0,10. RTGMM menghasilkan klaster yang lebih stabil serta nilai BIC dan ICL lebih rendah, sementara GMM memiliki kualitas separasi klaster yang lebih baik berdasarkan metrik validasi internal. Temuan ini menunjukkan bahwa pendekatan robust efektif digunakan pada data finansial yang kompleks, heterogen, dan mengandung amatan ekstrem.