<![CDATA[Branch segmentation is needed by companies to facilitate management in planning and managing these branches. Mistakes in determining the segmentation or grouping of branches will have an impact on planning or management, such as the efficiency of operational costs, calculation of branch performance, operational supervision, and optimization of company resources. As a first step in optimizing branch management, optimal branch grouping, or according to branch similarities, can be adjusted to the size or size of a branch. In the supervisory and monitoring functions, this grouping is also a consideration and prioritization of supervision, where large branches will of course use different plans with smaller branches. In setting the budget to avoid potential fraud, it is best if the operating budget is adjusted according to the size of the branch. This study uses the K-Means algorithm to classify branch offices based on transactions per month and the number of types of transactions according to the required segmentation. Branches can be grouped into large, medium, and small groups. The results show that the K-Means algorithm can produce bank branch groupings based on the number of types of transactions and the average transaction per month, which is divided into three clusters. The three clusters are the large branch cluster or cluster 1, the intermediate branch cluster or cluster 2, and the small branch cluster or cluster 3. The test uses the Davies Bouldin Index of 0.5.Segmentasi cabang diperlukan perusahaan untuk mempermudah manajemen dalam membuat perencanaan dan pengelolaan cabang-cabang tersebut. Kesalahan penentuan segmentasi atau pengelompokan cabang akan berdampak pada perencanaan atau pengelolaan, seperti pada efisiensi biaya operasional, penghitungan kinerja cabang, pengawasan operasional, dan optimalisasi sumber daya perusahaan. Sebagai langkah awal dalam optimalisasi pengelolaan cabang, pengelompokan cabang yang optimal, atau sesuai dengan kemiripan cabang, bisa disesuaikan dengan besar atau kecilnya sebuah cabang. Dalam fungsi pengawasan dan pemanatauan, pengelompokan ini juga menjadi pertimbangan dan prioritisasi pengawasan, di mana cabang besar tentunya akan menggunakan perencanaan yang berbeda dengan cabang yang lebih kecil. Dalam pengaturan anggaran untuk menghindari potensi fraud, sebaiknya anggaran operasional disesuaikan dengan besarnya cabang tersebut. Penelitian ini menggunakan algoritme K-Means untuk mengelompokkan kantor cabang berdasarkan transaksi per bulan dan jumlah jenis transaksi sesuai dengan segmentasi yang dibutuhkan. Cabang dapat dikelompokkan menjadi kelompok besar, sedang, dan kecil. Hasil penelitian menunjukan bahwa algoritme K-Means ini dapat menghasilkan pengelompokan cabang-cabang bank berdasarkan jumlah jenis transaksi dan rata-rata transaksi per bulan yang dibagi menjadi tiga cluster. Ketiga cluster itu adalah clustercabang besar atau cluster 1, clustercabang menengah atau cluster 2, dan clustercabang kecil atau cluster 3. Pengujian menggunakan Davies Bouldin Index sebesar 0,5.]]>
