PT XYZ merupakan perusahaan yang bergerak dalam layanan pembiayaan mobil dan alat berat. Dalam menjalankan operasionalnya, PT XYZ membutuhkan analisis yang akurat dan komprehensif terutama terkait customer untuk mendukung pengambilan keputusan yang tepat serta meminimalkan risiko pembiayaan. Saat ini, pengelolaan dan analisis data pelanggan di PT XYZ belum optimal karena belum ada sistem identifikasi pelanggan yang terintegrasi. Saat ini 1 customer masih dapat memiliki lebih dari 1 kode customer. Hal ini menyulitkan pelacakan riwayat dan pola kredit secara menyeluruh oleh analis kredit. Padahal informasi tersebut sangat krusial dalam proses pengambilan keputusan untuk persetujuan kredit dan mencegah terjadinya masalah kredit. Dalam proses pembuatan unique identifier dan integrasi data, terdapat beberapa hambatan, antara lain ketidakkonsistenan data seperti 261.116 KTP tidak valid dan 4.412 diskrepansi pada customer ID, serta volume data yang besar. Untuk mengatasi hal tersebut, penelitian ini dilakukan untuk mengidentifikasi kombinasi metode blocking yang paling akurat dan efisien dalam melakukan pembuatan unique identifier (SID). Penelitian ini juga mencakup pengelompokan pelanggan ke dalam Group ID berdasarkan hubungan co-borrower dan sistem pembuatan SID dan GID secara real time. Metode blocking yang akan digunakan dalam penelitian ini adalah Bigram Blocking dan High Value Token Blocking (HVTB). Kedua metode akan diuji performanya dalam melakukan blocking dengan 3 atribut data yaitu Nama saja, Nama & Alamat dan Nama & Tempat Lahir. Nantinya kedua metode juga akan dikombinasikan dengan 3 similarity metrics yaitu Jaro Winkler, Levenshtein dan Jaccard. Similarity metrics ini akan digunakan pada pengujian data blocking dan juga matching rules. Matching Rules adalah aturan yang akan digunakan pada skripsi ini untuk menentukan kesamaan entitas dari data-data yang digunakan. Hasil penelitian menunjukkan bahwa metode Bigram Blocking dengan atribut nama tanpa pengurutan, dikombinasikan dengan similarity metric Jaro-Winkler, memberikan performa terbaik dalam proses data blocking dengan nilai precision sebesar 99.94%. Pada tahap matching rules, penggunaan Jaro-Winkler dengan threshold 0.92 terbukti efektif dalam mengidentifikasi entitas yang sama secara akurat.