Model Gravitasi untuk Prediksi Kunjungan Nasabah

Pendahuluan

Pada pelajaran ini Anda akan mempelajari cara membangun Model Gravitasi (Gravity Model) untuk memprediksi jumlah kunjungan nasabah ke cabang bank berdasarkan kombinasi daya tarik cabang dan hambatan jarak.

Model gravitasi banyak digunakan dalam retail analytics, perbankan, perencanaan lokasi fasilitas, dan prediksi mobilitas karena kemampuannya memetakan hubungan spasial secara realistis.

Dalam konteks perbankan, model ini memungkinkan Anda untuk:

  • Memperkirakan jumlah kunjungan ke setiap cabang berdasarkan peta permukiman dan pusat aktivitas.
  • Memprediksi perubahan kunjungan jika cabang dibuka/ditutup/dipindahkan.
  • Membuat keputusan optimasi jaringan cabang, ATM, dan agen bank.
  • Mengukur kanibalisasi antar cabang secara kuantitatif.

Prasyarat:

  • Dasar GIS (buffer, join, kalkulasi jarak).
  • Dasar statistik dan regresi.

Alat yang dibutuhkan:

  • QGIS / ArcGIS Pro
  • Spreadsheet (Excel/Google Sheets)
  • Data permukiman atau grid populasi (misal: dusun/kelurahan atau grid 500 m)
  • Koordinat cabang bank
  • Atribut performa cabang (DPK, kredit, transaksi, fasilitas, dsb.)

Langkah-langkah Utama

1. Siapkan Data Permukiman & Cabang Bank

Tujuan langkah ini adalah memastikan semua lokasi asal (origin zone) dan tujuan (cabang) siap digunakan dalam model.

Instruksi Detail:

  1. Import layer permukiman/populasi (kelurahan/grid) dan layer cabang bank.
    (Visual Hint: Tampilan dua layer: titik cabang + poligon kelurahan/grid.)
  2. Pastikan keduanya menggunakan sistem proyeksi metrik (misal: UTM), agar jarak dalam meter/ km akurat.
  3. Tambahkan atribut penting:
    • Populasi kelurahan/grid
    • Atribut daya tarik cabang: ukuran cabang, jumlah teller, fasilitas digital, volume transaksi.

Tips:

  • Gunakan grid 500 m × 500 m jika ingin prediksi granular yang sangat akurat.
  • Populasi bisa berasal dari data Sensus, Meta Data Population, atau sumber lainnya.

2. Hitung Matriks Jarak Antar Zona Permukiman dan Cabang

Model gravitasi membutuhkan jarak antara origin dan destination.

Instruksi Detail:

  1. Buka tool Distance Matrix (QGIS) atau Generate Near Table (ArcGIS).
  2. Pilih:
    • Input: layer permukiman/populasi
    • Target: layer cabang bank
  3. Hasilkan tabel jarak dalam meter/kilometer.
    (Visual Hint: Tabel berisi kolom: origin_id, branch_id, distance_m.)

Peringatan:

  • Jangan gunakan jarak Euclidean untuk kota kompleks; gunakan Network Distance jika tersedia.
  • Jika jarak terlalu besar (lebih dari 50 km), biasanya kontribusi gravitasi sangat rendah.

3. Hitung Daya Tarik Cabang (Attractiveness Score)

Setiap cabang harus memiliki nilai daya tarik agar model gravitasi dapat bekerja.

Instruksi Detail:

Gunakan rumus sederhana:

A = α₁ · volume_transaksi + α₂ · jumlah_teller + α₃ · kapasitas + α₄ · rating_cabang

Contoh praktis:

  • α₁ = 0.5
  • α₂ = 0.2
  • α₃ = 0.2
  • α₄ = 0.1

Langkah:

  1. Tambahkan field baru attractiveness.
  2. Hitung skor menggunakan kalkulator field.
    (Visual Hint: Field calculator dengan rumus skor yang sedang dimasukkan.)

Tips:

  • Bobot α dapat ditentukan berdasarkan business judgement atau hasil regresi sebelumnya.
  • Gunakan atribut yang benar-benar mencerminkan kenyamanan & kapasitas layanan cabang.

4. Bangun Rumus Model Gravitasi

Rumus dasar model gravitasi:Flowij=k⋅Aj⋅PiDijβ\text{Flow}_{ij} = k \cdot \frac{A_j \cdot P_i}{D_{ij}^\beta}Flowij​=k⋅Dijβ​Aj​⋅Pi​​

Di mana:

  • AjA_jAj​ = daya tarik cabang j
  • PiP_iPi​ = populasi origin i
  • DijD_{ij}Dij​ = jarak dari i ke j
  • β\betaβ = parameter hambatan jarak
  • k = konstanta skala

Instruksi Detail:

  1. Tentukan nilai awal β = 1.5 (nilai umum dalam bank/retail).
  2. Buat field baru gravity_score.
  3. Masukkan formula:
gravity_score = attractiveness * population / (distance_km ^ 1.5)

(Visual Hint: Field calculator dengan formula gravitasi terisi penuh.)

Peringatan Penting:

  • Jika jarak = 0, tambahkan min distance = 0.1 km untuk menghindari pembagian dengan nol.
  • Jarak terlalu kecil dapat menghasilkan nilai infinite.

5. Kalibrasi Model dengan Data Kunjungan Nyata

Model gravitasi perlu dikalibrasi menggunakan data real: kunjungan nasabah, transaksi ATM, atau jumlah user aktif.

Instruksi Detail:

  1. Buat tabel total prediksi per cabang:
    • Group by branch_id
    • Sum of gravity_score
  2. Gabungkan tabel hasil dengan data kunjungan nyata.
  3. Lakukan regresi sederhana:

Observed Visits=α+γ⋅Predicted Gravity+ε\text{Observed Visits} = \alpha + \gamma \cdot \text{Predicted Gravity} + \varepsilonObserved Visits=α+γ⋅Predicted Gravity+ε

  1. Adjust:
    • Jika slope terlalu rendah → tingkatkan β
    • Jika prediksi terlalu besar → kecilkan k

(Visual Hint: Scatter plot predicted vs observed, garis regresi.)

Tips:

  • Nilai β biasanya antara 1.2–2.0.
  • Jangan pakai β = 1 secara default; terlalu lemah untuk area urban.

6. Analisis Kanibalisasi Antar Cabang

Model gravitasi memungkinkan Anda mengetahui berapa persen populasi suatu zona “ditarik” oleh cabang terdekat atau terkuat.

Instruksi Detail:

  1. Untuk setiap origin i, hitung proporsi:

Shareij=Flowij∑jFlowij\text{Share}_{ij} = \frac{\text{Flow}_{ij}}{\sum_{j}{\text{Flow}_{ij}}}Shareij​=∑j​Flowij​Flowij​​

  1. Buat peta:
    • Origin berwarna berdasarkan cabang mana yang mendominasi (market area).
    • Area overlap menunjukkan potensi kanibalisasi.

(Visual Hint: Peta zona dengan warna berbeda untuk dominasi cabang.)

Strategi:

  • Overlap besar = potensi konflik performa antar cabang.
  • Bisa digunakan untuk menentukan relokasi atau restrukturisasi layanan.

7. Simulasikan Pembukaan/Penutupan Cabang Baru

Kekuatan model gravitasi adalah kemampuan simulatifnya.

Instruksi Detail:

  1. Tambahkan titik cabang baru ke map (fiktif).
  2. Hitung distance matrix baru.
  3. Hitung ulang gravity score untuk zona sekitar.
  4. Lihat perubahan market share dan total kunjungan.

(Visual Hint: Peta sebelum vs sesudah simulasi dengan perubahan warna zona.)

Tips Keputusan:

  • Cabang baru yang mengambil < 10% pasar lama → mungkin tidak layak.
  • Cabang yang kehilangan > 20% pasar → butuh mitigasi.

Ringkasan & Tugas

3 Poin Penting

  1. Model gravitasi memprediksi kunjungan berdasarkan daya tarik cabang dan hambatan jarak.
  2. Kalibrasi sangat penting agar model tidak melenceng dari data nyata.
  3. Model ini sangat berguna untuk simulasi ekspansi, merger wilayah, dan mitigasi kanibalisasi.

Tugas Praktis

Bangun model gravitasi sederhana menggunakan dataset Anda:

  1. Pilih 5–10 cabang dan data populasi sekitar.
  2. Hitung jarak, daya tarik, dan gravity score.
  3. Buat grafik prediksi vs real (jika ada data kunjungan).
  4. Simulasikan satu cabang baru lalu lihat perubahan performa.
Previous Lesson
Back to Course
Next Lesson