Penelitian ini bertujuan untuk melihat kemampuan mesin ATM-CRM dalam membentuk profit pada keadaan setelah Pandemi Covid-19, dengan keadaan data yang mengalami sparsity, dengan mengalisa hubungan antar fitur transaksi dan karateristik site mesin untuk melihat secara agregat fitur transaksi dan karakter lokasi yang paling berpengaruh terhadap profitabilitas mesin ATM-CRM. Pengambilan sampel dilakukan secara stratified di site kantor cabang dan mall area Jabodetabek – Indonesia.Hubungan pengaruh antar fitur transaksi dilihat menggunakan PCA (Principal Component Analysis) untuk melihat fitur tranksaksi yang paling dominan dalam pembentukan profit untuk kedua lokasi. Fitur transaksi yang diambil yaitu, fitur pembayaran, pembelian, dan transfer. Kemudian dilakukan peramalan untuk memprediksi profit di masa mendatang dan melihat batas bawah (asymptomatic) kemampuan mesin ATM-CRM dalam menghasilkan profit menggunakan time series Holts Winter dan jaringan saraf tiruan (Artificial Neural Network). Selanjutnya dilakukan clustering dimana ATM-CRM yang memiliki grafik time series yang sama dikelompookan ke dalam 1 cluster yang sama menggunakan DTW (Dynamic Time Wrapping) Distance. Hasil clustering akan menunjukkan karakter site yang mendukung terbentuknya profit ATM-CRM, yang dapat membantu industri perbankan dalam justifikasi pengembangan jaringan wilayah instalasi ATM-CRM atau pengembangan fitur layanan atau promosi untuk menaikkan transaksi di mesin ATM-CRM.

---

This study aims to examine the ability of ATM-CRM to generate profits in the future (after pandemic), in which, the data has sparsity, by analysing correlation of each feature and site characteristic to see aggregately the transaction feature and site characteristic which has dominant impact on generating profit toward ATM-CRM machine. Stratified sampling method has been done upon ATM-CRM in all Branches and Shopping Center at Jabodetabek area, by taking particularly 3 types of transactions ; payment, purchase, and transfer.

This research uses PCA (Principal Component Analysis) and Sperman to examine correlation amongst the transaction’s features. Time series Holts Winter and ANN are being used to predict profit ATM-CRM and see its asymptomatic condition, and then ATM-CRM which has similarity on its time series’s graphic are being clustered using DTW (Dynamic Time Wrapping) Distance. These 3 clusters will refer site character which can enhance ability ATM-CRM on generating profit, and therefore, can be used as justification for banking industry in developing area for installation of ATM-CRM machine, or enhancing new feature or promotions to boost transactions on ATM-CRM.