Abstract. Cluster analysis (clustering) is one of the statistical technique used to classify a range of data with high similarity in comparison to one another, but they are different from the objects in other groups. Clustering generally classified into hierarchical and non-hierarchical algorithm later evolved into many of them DBSCAN. DBSCAN is one algorithm which classifies the object based on the density of the input parameters Eps and MinPts. In this paper DBSCAN method will be compare with the k-means. The data used is secondary data of customers that having a credit facility. The results show that with Eps = 0.0128 and MinPts = 5 debtor data is divided into two clusters, that is good credit cluster and bad credit cluster with a run time faster than classical k-means algorithm. Abstrak. Analisis cluster (clustering) merupakan salah satu teknik statistika yang digunakan untuk mengelompokkan suatu gugus data dengan kemiripan yang tinggi dibandingkan satu sama lain, tetapi mereka berbeda dengan objek di lain kelompok. Umumnya clustering diklasifikasi menjadi hierarki dan non hierarki yang kemudian berkembang menjadi banyak algoritma diantaranya DBSCAN. DBSCAN merupakan salah satu algoritma yang mengelompokkan objek berdasarkan densitas dengan parameter input Eps dan MinPts. Dalam skripsi ini metode DBSCAN akan dibandingkan dengan k-means. Adapun data yang digunakan adalah data sekunder nasabah yang memiliki fasilitas kredit. Hasilnya menunjukkan bahwa dengan Eps=0,0128 dan MinPts=5 data debitur terbagi menjadi dua cluster yaitu cluster kredit baik dan buruk dengan run time lebih cepat dibanding algoritma klasik k-means
Analisis cluster (clustering) merupakan salah satu teknik statistika yang digunakan untuk mengelompokkan suatu gugus data dengan kemiripan yang tinggi dibandingkan satu sama lain, tetapi mereka berbeda dengan objek di lain kelompok. Umumnya clustering diklasifikasi menjadi hierarki dan non hierarki yang kemudian berkembang menjadi banyak algoritma diantaranya DBSCAN. DBSCAN merupakan salah satu algoritma yang mengelompokkan objek berdasarkan densitas dengan parameter input Eps dan MinPts. Dalam skripsi ini metode DBSCAN akan dibandingkan dengan k-means. Adapun data yang digunakan adalah data sekunder nasabah yang memiliki fasilitas kredit. Hasilnya menunjukkan bahwa dengan Eps=0,0128 dan MinPts=5 data debitur terbagi menjadi dua cluster yaitu cluster kredit baik dan buruk dengan run time lebih cepat dibanding algoritma klasik k-means