Analysis of Potential Locations and Classification of Electronic Data Capture (EDC) in MSMEs BNI Agen46 | Analisis Potensi Lokasi dan Klasifikasi Electronic Data Capture (EDC) pada UMKM BNI Agen46

印度尼西亚. Dalam era digitalisasi, peran agen-agen bank menjadi semakin penting dalam memberikan layanan keuangan kepada masyarakat. Bank BNI sebagai salah satu bank terkemuka di Indonesia, memiliki jaringan agen yang luas untuk mendekatkan layanan perbankan kepada nasabah. Dalam upaya mengoptimalkan jaringan agennya, Bank BNI melakukan analisis spasial menggunakan metode clustering K-means untuk menentukan lokasi potensial pendirian Agen46 baru di DKI Jakarta. Selain itu, juga dilakukan pembuatan model klasifikasi random forest Agen46 produktif dan non-produktif untuk mengoptimalkan penggunaan mesin EDC dan menghemat biaya operasional. Berdasarkan analisis spasial dengan metode clustering K-means, ditemukan tujuh lokasi potensial untuk pendirian Agen46 baru di DKI Jakarta, yaitu kecamatan Jagakarsa, Makasar, Pesanggrahan, Grogol Petamburan, Taman Sari, Tambora, dan Johar Baru. Model klasifikasi yang dibuat berhasil membedakan Agen46 yang produktif dan non-produktif dengan akurasi yang tinggi. Selain itu, pembuatan model klasifikasi Agen46 menjadi penting dalam mengenali agen-agen yang tidak produktif, sehingga dapat dilakukan antisipasi dan penanggulangan yang cepat untuk memperbaiki efisiensi penggunaan mesin EDC. Hasil analisis prediksi dan model klasifikasi ini diharapkan dapat memberikan panduan dan dasar kebijakan yang lebih baik bagi Bank BNI dalam menentukan lokasi penempatan mesin EDC Agen46 di masa depan. Dengan demikian, diharapkan Bank BNI dapat mempercepat proses pengklasifikasian Agen46, meningkatkan pemanfaatan mesin EDC, dan mengoptimalkan efisiensi biaya terkait dengan agen-agen BNI.

英语. In the era of digitalization, the role of bank agents has gained increasing significance in delivering financial services to the public. Bank BNI, a prominent financial institution in Indonesia, has established an extensive network of agents to facilitate access to banking services for customers. In an effort to optimize its agent network, Bank BNI conducts spatial analysis using the K-means Clustering method to determine potential locations for establishing new Agen46 outlets in DKI Jakarta. Additionally, a random forest classification model for productive and non-productive Agen46 agents is developed to optimize the use of EDC machines and save operational costs. Based on the spatial analysis using the K-means Clustering method, seven potential locations for new Agen46 outlets in DKI Jakarta are identified, namely the districts of Jagakarsa, Makasar, Pesanggrahan, Grogol Petamburan, Taman Sari, Tambora, and Johar Baru. The classification model demonstrates high accuracy in distinguisting between productive and non-productive Agen46 agents. Moreover, the Agen46 classification model plays a crucial role in identifying non-productive agents, enabling timely intervention and mitigation measures to improve the efficiency of EDC machine usage. The results of the prediction analysis and classification model are expected to provide better guidance and policy foundation for Bank BNI in determining the placement locations of Agen46 EDC machines in the future. Thus, it is anticipated that Bank BNI can expedite the Agen46 classification process, enhance the utilization of EDC machines, and optimize cost efficiency related to BNI agents.