User Segmentation Design for Chatbot in the Socialization of Local Currency Transactions (LCT) by Bank Indonesia Using Clustering Data Mining
Abstract
Bank Indonesia sedang gencar melakukan berbagai upaya untuk meningkatkan pemanfaatan skema LCT (Local Currency Transaction) oleh pelaku usaha dan masyarakat. Salah satu upaya Bank Indonesia adalah dengan melaksanakan kegiatan sosialisasi LCT secara massive atau targeted melalui talkshow, seminar atau webinar. Pada pelaksanaannya, penyaluran informasi mengenai LCT yang kompleks dan jumlah partisipan sosialisasi yang luas menjadi tantangan bagi Bank Indonesia untuk memetakan strategi sosialisasi yang tepat sasaran bagi pelaku usaha dan masyarakat. Tujuan tugas akhir ini adalah untuk merancang segmentasi pengguna chatbot pada sosialisasi LCT oleh Bank Indonesia. Perancangan segmentasi pengguna chatbot pada sosialisasi LCT Bank Indonesia menggunakan metode K-Modes Clustering. Data karakteristik pengguna chatbot yang merupakan pelaku usaha berasal dari basis data yang diperoleh dari interaksi pengguna pada chatbot. Adapun variabel data pengguna chatbot yang akan dianalisis adalah sektor industri, lokasi, negara mitra, umur perusahaan, ukuran perusahaan, dan pertanyaan yang diajukan pengguna. Pencarian cluster menggunakan aplikasi Google Colab. Hasil tugas akhir ini berupa website yang berisi aplikasi chatbot LCT dan dashboard untuk visualisasi pengolahan data menggunakan metode KModes yang menghasilkan dua cluster dari setiap segmentasi pengguna chatbot. Selanjutnya, dipilih satu cluster terbaik yang akan dibuat menjadi alternatif target sosialisasi LCT oleh Bank Indonesia sehingga memudahkan segmentasi pelaku usaha tertentu dalam memahami informasi mengenai LCT. Dengan adanya website yang berisi aplikasi chatbot LCT, pelaku usaha dan masyarakat dapat lebih mudah memahami informasi mengenai skema LCT, serta diharapkan dashboard visualisasi hasil clustering dapat membantu Bank Indonesia dalam menentukan target sosialisasi LCT dan menyesuaikan strategi pendekatan sosialisasi LCT kepada segmentasi pelaku usaha tertentu.
Kata Kata Kunci: Segmentasi Pengguna, Chatbot, Dashboard, K-modes, Extreme programming, Local Currency Transaction, Bank Indonesia
References
Abdellatif, A., Badran, K., Costa, D. E., & Shihab, E. (2021). A Comparison of Natural Language Understanding Platforms for Chatbots in Software Engineering. https://doi.org/https://doi.org/10.1109/TSE.2021.3078384
Abdellatif, A., Badran, K., & Shihab, E. (2020). MSRBot: Using Bots to Answer Questions from Software Repositories. Empirical Software Engineering, 25, 1834–1863. https://doi.org/https://doi.org/10.1007/s10664-019-09788-5
Abdul-Rahman, S., Arifin, N. F. K., Hanafiah, M., & Mutalib, S. (2021). Customer Segmentation and Profiling for Bank Indonesia. (t.t.). Tentang Bank Indonesia. Diambil 7 Januari 2024, dari https://www.bi.go.id/id/tentangbi/Default.aspx
Bank Indonesia. (2023). Perkembangan Local Currency Transaction (LCT).
Barletta, V. S., Caivano, D., Colizzi, L., Dimauro, G., & Piattini, M. (2023). Clinical-chatbot AHP evaluation based on https://doi.org/10.1016/j.ijmedinf.2022.104951
Canonico, M., & De Russis, L. (2018). A Comparison and Critique of Natural Language Understanding Tools. The Ninth International Conference on Cloud Computing, GRIDs, and Virtualization, 110–115. https://doi.org/http://dx.doi.org/10.1109/TSE.2021.3078384
Chandra, Y. I. (2016). Perancangan Aplikasi Resep Makanan Tradisional Indonesia menggunakan Pendekatan Agile Process dengan Model Extreme programming berbasis Android.
Cholifah, W. N., Yulianingsih, & Sagita, S. M. (2018). Pengujian Black Box Testing pada Aplikasi Action & Strategy Berbasis Android dengan Teknologi Phonegap. Jurnal String, 3(2). https://doi.org/http://dx.doi.org/10.30998/string.v3i2.3048
Life Insurance using K-Modes Clustering and Decision Tree Classifier. International Journal of Advanced Computer Science and Applications, 12(9). https://doi.org/10.14569/IJACSA.2021.0120950
Hokianto, H. F. (2023). Local Currency Settlement Di Indonesia: Latar Belakang, Perkembangan, Dan Dampak. Arthavidya Jurnal Ilmiah Ekonomi, 25(2), 195–210. https://doi.org/https://doi.org/10.37303/a.v25i2.426
Huang, Z. (1998). Extensions to the k-Means Algorithm for Clustering Large Data Sets with Categorical Values. Data Mining and Knowledge Discovery, 2(3), 283–304. https://doi.org/10.1023/A:1009769707641
Hulliyah, K., Nurjannah, W., Shudhuashar, M., Murodi, Santoso, W., & Ilyas, M. S. D. (2021, September 22). Whatsapp Chatbot Implementation Using Node JS for a Da’wah Media Digitalization. 9th International Conference on Cyber and IT Service Management (CITSM). https://doi.org/https://doi.org/10.1109/CITSM52892.2021.9 588846
Kedir Eyasu, Worku Jimma, & Takele Tadesse. (2020). Developing a Prototype Knowledge-Based System for Diagnosis and Treatment of Diabetes Using Data Mining Techniques. Ethiopian Journal of Health Sciences, 30(1). https://doi.org/10.4314/ejhs.v30i1.15
Kementerian Perdagangan. (2023, November). Neraca Perdagangan Dengan Mitra Dagang | Satu Data Perdagangan. Satu Data Kemendag. https://satudata.kemendag.go.id/datainformasi/perdagangan-luar-negeri/neraca-perdagangandengan-mitra-dagang
Schwalbe, K. (2016). Information Technology Project Management (M. Schenk, Ed.; 8 ed.). Cengage Learning.
Septiani, N. A., & Yanti, L. D. (2021). Sistem Informasi Pemasangan Iklan Koran Pada Pt. Harian Topskor Dengan Metode Extreme programming (Xp). JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika), 6(2), 424–435. https://doi.org/10.29100/jipi.v6i2.2443
Warjiyo, P., & Solikin. (2003). Kebijakan Moneter di Indonesia.
Wei, J., Shen, Z., Sundaresan, N., & Ma, K.-L. (2012). Visual cluster exploration of web clickstream data. 2012 IEEE Conference on Visual Analytics Science and Technology (VAST), 3–12. https://doi.org/10.1109/VAST.2012.6400494
Zaidir. (2020). Pengujian Sistem Informasi Pengelolaan Kegiatan Satuan Tugas Penanganan Masalah Perempuan Dan Anak Dengan Metode Black-Box Test dan User Acceptance Test. Prosiding Seminar Nasional, 2(1), 281–288.
