PENGELOMPOKKAN DATA REGISTRASI NASABAH BERDASARKAN INSTANSI DAN STATUS MENGGUNAKAN MICROSOFT EXCEL
##plugins.themes.academic_pro.article.main##
Abstract
Penelitian ini menganalisis 271 data registrasi nasabah pada Divisi Kredit Bank Sulselbar Cabang Gowa menggunakan data sekunder dari Buku KUL (Kartu Usulan Kredit). Metode yang digunakan adalah deskriptif kuantitatif dengan tahapan pengumpulan data, data cleaning, standarisasi nama instansi, pengelompokan data, dan analisis frekuensi menggunakan fungsi COUNTIF dan COUNTIFS pada Microsoft Excel. Hasil analisis menunjukkan nasabah aktif mendominasi dengan 144 data (53,14%), diikuti PPPK 57 data (21,03%), sertifikasi 33 data (12,18%), prapensiun 31 data (11,44%), dan pensiun 5 data (1,85%). Berdasarkan instansi asal, Pemda mencatat jumlah tertinggi dengan 78 data (28,78%), diikuti SD 75 data (27,68%) dan SMA/SMK 38 data (14,02%). Tabulasi silang memperlihatkan Pemda dan SD konsisten muncul di hampir semua kategori status nasabah, sementara kategori sertifikasi terkonsentrasi pada SMA/SMK dan SD dari sektor pendidikan. Penelitian ini membuktikan bahwa Microsoft Excel memadai sebagai alat analisis data registrasi nasabah, mencakup data cleaning, pengelompokan, analisis frekuensi, hingga visualisasi, tanpa memerlukan perangkat lunak tambahan.
##plugins.themes.academic_pro.article.details##
This work is licensed under a Creative Commons Attribution 4.0 International License.
References
[2] Gunawan, A., Sarta, O., & Purba, M. (2023). Pelatihan pembuatan dashboard menggunakan Microsoft Excel. Jurnal PKM: Pengabdian Kepada Masyarakat, 6(2), 167–174. https://doi.org/10.30998/jurnalpkm.v6i2.15605
[3] Hilgers, R.-D., Heussen, N., & Stanzel, S. (2019). Deskriptive Statistik. Springer Spektrum. https://doi.org/10.1007/978-3-662-48986-4_2900
[4] Karyaningsih, D., & Fachriyah, E. (2022). Optimalisasi penggunaan Microsoft Excel dalam pengolahan data administrasi. Sembadha: Seminar Hasil Pengabdian Kepada Masyarakat, 3, 15–20. https://jurnal.pknstan.ac.id/index.php/sembadha/article/view/1793
[5] Ogearti, R. (2020). Identifikasi kendala pemanfaatan Microsoft Excel dalam penyusunan laporan keuangan. Jurnal Akuntansi Profesi, 11(2), 339–350. https://doi.org/10.23887/jap.v11i2.30688
[6] P, O., Nikanjam, A., Ahmed, N., Humeniuk, D., & Khomh, F. (2024). Data cleaning and machine learning: A systematic literature review. Automated Software Engineering, 31(2), Article 45. https://doi.org/10.1007/s10515-024-00453-w
[7] PT Bank Pembangunan Daerah Sulawesi Selatan dan Sulawesi Barat. (2024). Sejarah singkat Bank Sulselbar. https://banksulselbar.co.id/page/sejarah
[8] Tarigan, M., & Silaban, D. F. (2024). Statistika deskriptif dalam penelitian. JINTAN: Jurnal Ilmu Keperawatan, 4(2), 187–195. https://doi.org/10.51771/jintan.v4i2.859
[9] Baharuddin, A., & Irfan, M. (2023). Analisis efisiensi pengelolaan data administrasi kredit pada lembaga keuangan daerah. Jurnal Manajemen dan Keuangan Perbankan, 5(1), 45–56. https://doi.org/10.31219/osf.io/5j8kz
[10] Lestari, S. P., & Rahmawati, D. (2022). Penerapan validasi data dan tabel dinamis Microsoft Excel untuk efisiensi pelaporan keuangan perbankan. Jurnal Sistem Informasi dan Akuntansi, 7(2), 112–121. https://doi.org/10.35870/jisa.v7i2.1421
[11] Pratama, R. A., & Setiawan, I. (2023). Pemetaan potensi segmentasi nasabah kredit menggunakan teknik tabulasi silang. Jurnal Riset Akuntansi dan Keuangan, 11(3), 201–212. https://doi.org/10.17509/jrak.v11i3.54120
[12] Santoso, B., & Wibowo, A. (2021). Peran prapemrosesan data (data cleaning) dalam meningkatkan akurasi rekapitulasi administrasi. Jurnal Teknologi Informasi dan Rekayasa Komputer, 4(1), 33–42. https://doi.org/10.25126/jtiik.202141201