TESIS – PM147501
Analisa Customer Churn pada perusahaan Internet Service Provider xyz menggunakan Backpropagation Neural Network
Ali Reza Yudhistira NRP 9114205412
DOSEN PEMBIMBING Dr.Eng. Febriliyan Samopa, S.Kom., M.Kom.
PROGRAM MAGISTER MANAJEMEN TEKNOLOGI BIDANG KEAHLIAN MANAJEMEN TEKNOLOGI INFORMASI PROGRAM PASCA SARJANA INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2017
i
(Halaman ini sengaja dikosongkan)
ii
1 r \
1
1. \r'
1
\\
r
/ [
/' rl MBAR PENGESA\HAN) >
( L 1
'
elmologi Sepuluh Nopember (ITS) Oleh :
.•1\lj
.
YUDHISTIRA
J
>
NRP. 9-1
Tanggal '{! an ( 4Vanuari 2017 Periode
2017
I
I
(I)
I
\\
\
ti
3.
l'/
v
"
\
iv
Analisa Customer Churn pada perusahaan Internet Service Provider xyz menggunakan Backpropagation Neural Network Nama Mahasiswa : Ali Reza Yudhistira NRP : 9114205412 Pembimbing : Dr.Eng. Febriliyan Samopa, S.Kom., M.Kom
ABSTRAK Jumlah pengguna internet di seluruh dunia cenderung meningkat secara eksponensial. Hal tersebut menjadi peluang untuk perusahaan yang bergerak pada Internet Service Provider (ISP). Salah satu ISP di Surabaya, ISP xyz, pelanggannya melakukan churn setiap bulannya. Churn tersebut membawa kerugian berupa pengurangan pendapatan bagi perusahaan tersebut. ISP xyz ingin mengetahui prediksi pelanggan akan melakukan churn dan faktor-faktor apa saja yang mempengaruhi. Pada penelitian ini, analisis customer churn pada perusahaan penyedia layanan internet dilakukan dengan teknik data mining dengan metode neural network, karena neural network menghasilkan output yang lebih baik dari pada metode lainnya. Neural network tersebut akan digabungkan dengan model backpropagation dengan fungsi sigmoid biner. Keunggulan Backpropagation Neural Network terletak pada proses pembelajaran yang menggunakan sistem pembobotan, jika bobot tidak sesuai maka akan dilakukan pembelajaran lagi. Dengan menggunakan metode tersebut akan menghasilkan prediksi pelanggan akan melakukan churn yang lebih akurat. Pada penelitian ini hasilnya adalah faktor yang memiliki pengaruh yang signifikan pada customer yang melakukan churn adalah hasil survey 1, survey 2, dan survey 3 dengan tingkat akurasi dalam memprediksi sebesar 99.99%. Untuk mengurangi tingkat churn, maka penentuan strategi CRM adalah dengan meningkatkan customer experience dari pelanggan. Kata kunci : customer churn, data mining, backpropagation neural network, Internet Service Provider (ISP)
v
vi
Customer Churn analysis in Internet Service Provider xyz with Backpropagation Neural Network Name Student ID Supervisor
: Ali Reza Yudhistira : 9114205412 : Dr.Eng. Febriliyan Samopa, S.Kom., M.Kom
ABSTRACT Number of Internet users worldwide is likely to increase exponentially. It is an opportunity for companies that specialize in Internet Service Provider (ISP). An ISP in Surabaya, ISP xyz, their customers do churn each month. Customer churn bring loss in revenue for the company. ISP xyz want to know the prediction when the customer will do churn and the factors that affect customer churn. In this paper, customer churn analysis in Interne service provider company use data mining technique with neural network method, because it produce result better than the others. Neural network combined with backpropagation model and sigmoid biner function. Backpropagation neural network’s superiority is learning process that use weight rating point, if weight is not accurate it will do the learning process again. With that method, it will produce prediction customer churn result accurately. The result of this research is the most signifanctly effected factor for customer churn are the result of survey1, survey 2, and survey 3 with accuracy rate 99.99% to predict customer churn. For reducing customer churn, stratey planning for CRM division is improving customer experience from the customer. Keyword : customer churn, data mining, backpropagation neural network, internet service provider
vii
viii
KATA PENGANTAR Alhamdulillah berkat rahmat Allah SWT telah terselesaikan Tesis yang berjudul “Analisa Customer Churn pada perusahaan Internet Service Provider XYZ dengan Back-propagation Neural Network”. Tidak banyak yang dapat saya ceritakan disini selain ucapan terima kasih kepada pihak-pihak yang telah membantu hingga terselesaikan Tesis ini, yaitu : 1. Dr. Eng. Febriliyan Samopa, M.Kom, sebagai Dosen Pembimbing yang dengan sabar memberi bimbingan, arahan dan masukan mengenai topik yang saya tekuni.
2. Dr.Tech, Ir. R. V. Hari Ginardi, MSc, sebagai Dosen Penguji 1 dan Ketua Akademik jurusan Magister Manajemen teknologi yang telah memberi pengarahan pada saat saya berkuliah dan mengerjakan Tesis.
3. Faizal Mahananto. S.Kom.,M.Eng., Ph.D, sebagai Dosen Penguji 2 yang memberikan pengarahan pada saat saya mengerjakan Tesis
4. Seluruh Dosen dan Staf Sistem Informasi MMT-ITS yang telah membantu saya.
5. Perusahaan yang telah bersedia menjadi obyek penelitian yang tidak
ingin nama perusahaannya disebutkan disini.
6. Orang tua saya dan keluarga yang telah mendukung saya dan mendoakan selama ini.
7. Dan seluruh teman-teman MMT-ITS yang tidak bisa saya sebutkan satu persatu
yang telah memberikan bantuan secara langsung dan maupun tidak langsung. Semoga Tesis yang telah saya tulis dapat bermanfaat bagi MMT-ITS, perusahaan penyedia layanan Internet di Indonesia, dunia pendidikan, dunia penelitian dengan topik yang sama, dan seluruh pembaca yang menyediakan waktunya untuk membaca halaman ini. Surabaya, 19 Januari 2017
Ali Reza Yudhistira
ix
(Halaman ini sengaja dikosongkan)
x
DAFTAR ISI
LEMBAR PENGESAHAN .......................................... Error! Bookmark not defined. ABSTRAK ................................................................................................................... v ABSTRACT ............................................................................................................... vii KATA PENGANTAR ................................................................................................ ix DAFTAR ISI ............................................................................................................... xi DAFTAR GAMBAR ................................................................................................ xiii DAFTAR TABEL ..................................................................................................... xv BAB 1 1.1. 1.2. 1.3. 1.4. 1.5.
PENDAHULUAN .......................................................................................... 1 Latar Belakang ........................................................................................ 1 Perumusan Masalah ................................................................................ 4 Tujuan dan Manfaat Penelitian ............................................................. 4 Ruang Lingkup Penelitian ...................................................................... 4 Sistematika Penulisan ............................................................................. 4
BAB 2 TINJAUAN PUSTAKA ................................................................................. 7 2.1. Customer Churn ....................................................................................... 7 2.2. Data Mining .............................................................................................. 9 2.2.1 Fungsi Data mining ............................................................................. 12 2.3. Neural Network ...................................................................................... 14 2.3.1 Neuron............................................................................................... 17 2.3.2 Weight, Output dan Error .............................................................. 17 2.3.3 Backpropagation .............................................................................. 18 2.3.4 Fungsi Sigmoid ................................................................................. 21 2.3.5 Sigmoid Biner ................................................................................... 23 2.4. Relationship Marketing .......................................................................... 24 BAB 3 METODOLOGI PENELITIAN ................................................................. 31 3.1 Studi Literatur ........................................................................................ 31 3.2 Pengumpulan Data ................................................................................. 32 3.3 Analisa Customer Churn ........................................................................ 34 3.3.1 Identifikasi data input dan output ...................................................... 34 3.3.2 Normalisasi data input ....................................................................... 36 3.3.3 Pembentukan jaringan........................................................................ 36 3.3.4 Pembelajaran ...................................................................................... 36 3.4 Perencanaan Strategi Divisi Customer Relationship Management ..... 37 BAB 4 DESAIN PENELITIAN .............................................................................. 39
xi
4.1 Studi Literatur ........................................................................................ 39 4.2 Pengumpulan Data ................................................................................. 39 4.3 Analisa Customer Churn ....................................................................... 42 4.3.1 Pembuatan Arsitektur ..................................................................... 42 4.3.2 Pelatihan Neural Network................................................................ 43 4.3.3 Uji Coba Neural Network ................................................................ 43 4.4 Perencanaan Strategi Divisi Customer Relationship Management ..... 44 BAB 5 HASIL DAN PEMBAHASAN .................................................................... 45 5.1 Studi Literatur ........................................................................................ 45 5.2 Pengumpulan Data ................................................................................. 45 5.2.1 Penyalinan Dokumen ....................................................................... 46 5.2.2 Rekap Dokumen ............................................................................... 49 5.2.3 Pembersihan Data ............................................................................ 55 5.2.4 Analisis Korelasi .............................................................................. 55 5.2.5 Uji Validitas dan Realibilitas .......................................................... 57 5.2.6 Analisis Multikolineritas ................................................................. 58 5.3 Analisa Customer Churn ........................................................................ 59 5.3.1 Pembuatan Arsitektur Jaringan..................................................... 59 5.3.2 Pelatihan dan Uji Coba Neural Network ........................................ 60 5.4 Perencanaan Strategi Divisi Customer Relationship Management ..... 64 BAB 6 KESIMPULAN DAN SARAN .................................................................... 67 DAFTAR PUSTAKA ................................................................................................ 69 LAMPIRAN ............................................................................................................... 71
xii
DAFTAR GAMBAR Gambar 1.1 Peningkatan Pengguna Internet Indonesia…………………………..1 Gambar 1.2 Jumlah Customer Churn……………………...……………………..3 Gambar 2.1 Grafik Penggunaan nilai
……………………………...............…23
Gambar 3.1 Metode Penelitian……………...………………...…………………31 Gambar 5.1 Keluhan Pelanggan……………...………………...………………..47 Gambar 5.2 Arsitektur neural network ……...………………...……….……… 59 Gambar 5.3 Hasil neural network…………...………………...……………..… 61
xiii
(Halaman ini sengaja dikosongkan)
xiv
DAFTAR TABEL Tabel 2.1 Model, teknik, dan aplikasi data mining………………………...….13 Tabel 5.1 Paket Pelanggan……………….……………………………………46 Tabel 5.2 Billing……………………………………………………………....47 Tabel 5.3 Keluhan Pelanggan………………………...……………………….48 Tabel 5.4 Bonus Pelanggan………………………...…………………………48 Tabel 5.5 Hasil Survey…………………………...………………………...…49 Tabel 5.6 Kode Paket Pelanggan………………………...……………………49 Tabel 5.7 Rekap pembayaran……………………………………………....…50 Tabel 5.8 Rekap keluhan pelanggan……………..………………………...…51 Tabel 5.9 Rekap umur pelanggan……………………….............................…51 Tabel 5.10 Rekap Jawaban Survei 1……………………….........................…52 Tabel 5.11 Rekap Jawaban Survei 2……………………….........................…52 Tabel 5.12 Rekap Jawaban Survei 3……………………….........................…53 Tabel 5.13 Rekap Jawaban Survei 4……………………….........................…53 Tabel 5.14 Rekap survey berhenti berlangganan………………………...…...53 Tabel 5.15 Penggabungan data……………………………………..……...…54 Tabel 5.16 Data yang akan dihapus………………………..........................…55 Tabel 5.17 Korelasi………………………...…………………………………56 Tabel 5.18 Hasil uji coba reliabilitas……………….……………………...…57 Tabel 5.19 Hasil uji coba validitas………………..……………………….....57 Tabel 5.20 Hasil tes multikolinieritas……………………………………...…58 Tabel 5.21 Case processing summary……………………….......................…60 Tabel 5.22 Network information………………………..............................…60 Tabel 5.23 Bobot variabel………………………………….……………...…62 Tabel 5.24 Ringkasan model………………………...……………………….63 Tabel 5.25 Hasil uji coba………………………..........................................…63
xv
(Halaman ini sengaja dikosongkan)
xvi
BAB 1 PENDAHULUAN 1.1.
Latar Belakang Banyak penelitian yang menjelaskan bahwa jumlah pengguna Internet di
Indonesia mengalami peningkatan setiap tahunnya. Survei yang dilakukan oleh United Nations
Development
Program
yang dipaparkan dalam
World
Development Report tahun 2015, menunjukkan bahwa jumlah pengguna Internet di Indonesia mengalami kenaikan secara eksponensial yang ditunjukan pada gambar 1.1 :
Gambar 1. 1 Peningkatan Pengguna Internet Indonesia (http://data.worldbank.org)
Peningkatan pengguna internet terjadi pada semua jenis perangkat alat telekomunikasi dan koneksi, seperti mobile (nirkabel), cellular (seluler), fixed telephone (sambungan telepon tetap), dan jaringan broadband. Kenaikan jumlah pengguna Internet merupakan dampak dari kemajuan teknologi informasi yang mempengaruhi kehidupan pengguna Internet. Hal tersebut menyebabkan semakin beragamnya cara, alat dan tempat untuk mengakses Internet, sehingga muncul kecenderungan-kecenderungan baru dalam hal mengakses Internet. Beberapa 1
diantaranya adalah kecenderungan untuk menggunakan layanan Internet nirkabel, kecenderungan pengguna Internet untuk mengakses Internet dari kantor, dan kecenderungan perilaku pengguna Internet untuk menggunakan Internet secara positif atau negatif. Layanan Internet nirkabel merupakan layanan Internet yang paling sering digunakan oleh pengguna Internet di Indonesia. Riset yang dilakukan oleh Nielsen pada tahun 2016, memaparkan bahwa Indonesia merupakan negara pengakses Internet melalui perangkat mobile (nirkabel) peringkat tiga se Asia. Berdasarkan data statistik bidang pos dan telekomunikasi pada tahun 2010, pertumbuhan sektor industri telekomunikasi pada bidang penyedia jasa internet terus meningkat secara signifikan. Kenaikan tersebut disebabkan kebutuhan internet yang semakin tinggi. Dengan semakin tingginya tingkat pertumbuhan perusahaan penyedia jasa layanan internet, maka tingkat persaingan pun akan semakin tinggi. Salah satu penyedia jasa layanan internet di Surabaya, ISP xyz, merupakan penyedia layanan internet yang bersegmentasi pada pengguna korporasi atau perkantoran. Persaingan untuk mendapatkan pelanggan pada segmentasi tersebut sangat kompetitif, karena satu pelanggan berpengaruh pada profit perusahaan tersebut. Jika kehilangan pelanggan tersebut berhenti berlangganan, atau yang disebut customer churn, akan menimbulkan kerugian jangka panjang bagi perusahaan tersebut. Hadden
(2005)
memaparkan
bahwa
customer
churn
merupakan
kecenderungan pelanggan ISP untuk berhenti berlangganan pada provider yang dipilih dan berpindah ke provider pesaing. Richeldi & Perrucci (2002) memaparkan bahwa customer churn menjadi permasalahan utama pada perusahaan, terutama perusahaan dengan jumlah pelanggan yang besar. ISP xyz yang memiliki jumlah pelanggan hingga 500 pelanggan, mengalami kehilangan pelanggan setiap bulannya. Grafik customer churn dapat dilihat pada gambar 1.2. Pada gambar tersebut, menjelaskan bahwa, tingkat churn dari pelanggan tidak
2
menentu. Kerugian yang diakibatkan tergantung dari berapa jumlah pembayaran yang dilakukan dalam setiap bulan oleh setiap pelanggan.
Gambar 1.2 Grafik jumlah customer churn Manajemen churn yang tepat dapat memprediksi tingkat kemungkinan dari pelanggan untuk melakukan churn. Jika tingkat churn dari pelanggan dapat diketahui terlebih dahulu, maka akan memberikan keuntungan untuk manajemen, khususnya divisi Customer Relationship Management (CRM), dapat melakukan strategi yang spesifik untuk menjaga pelanggan tersebut agar tidak churn dan menjadi pelanggan yang loyal untuk waktu-waktu selanjutnya. Biaya untuk memenangkan pelanggan adalah besar, maka mempertahankan pelanggan pada ISP merupakan suatu keharusan (McPhillips, 1999). Richeldi & Perrucci (2002) menjelaskan bahwa motode data mining merupakan salah satu solusi untuk meminimalkan churn, karena data mining memungkinkan perusahaan untuk memprediksi pelanggan churn atau kapan churn dapat terjadi berdasarkan data yang berhubungan denga pelanggan tersebut, serta dapat digunakan untuk memahami sebab-sebab pelanggan melakukan churn. Hung dkk (2006) meneliti tingkat churn dari pelanggan pada industri telekomunikasi di Taiwan, menyimpulkan bahwa jaringan syaraf tiruan menghasilkan output prediksi yang lebih baik daripada decision tree. Jaringan syaraf tiruan atau yang disebut Artificial Neural Network (ANN) dapat menyelesaikan permasalahan yang non-linear dan memiliki kemampuan untuk belajar. Neural network berbeda dengan teknik klasifikasi yang lain karena
3
neural network memberikan prediksi berdasarkan
kemiripan. Menurut
Rygielski(2002) neural network memiliki tingkat prediksi yang lebih baik dan lebih akurat. 1.2.
Perumusan Masalah Berdasarkan latar belakang yang telah dijelaskan sebelumnya, maka
permasalahan utama pada penelitian dapat dirumuskan sebagai berikut : 1. Bagaimana memprediksi besarnya pengaruh dari setiap faktor terhadap churn rate ? 2. Bagaimana strategi divisi Customer Relationship Management (CRM) untuk membuat pelanggan yang berpotensi untuk melakukan churn agar tetap setia berdasarkan hasil dari permasalahan pertama ? 1.3.
Tujuan dan Manfaat Penelitian Tujuan dari penelitian ini antara lain :
1
Memprediksi pelanggan yang akan melakukan churn dan mengetahui faktor-faktor apa saja yang membuat pelanggan tersebut melakukan churn.
2
Membantu divisi CRM untuk menentukan strategi tindakan yang sesuai agar meminimalisir tingkat churn dari setiap pelanggan ISP xyz. Manfaat dari penelitian ini adalah mengetahui faktor-faktor yang paling
berpengaruh sebagai penyebab terjadinya customer churn pada ISP xyz. 1.4.
Ruang Lingkup Penelitian
Batasan permasalahan pada penelitian ini adalah sebagai berikut : 1. Faktor yang menyebabkan pelangan melakukan churn berdasarkan data yang tersedia pada perusahaan ISP xyz. 2. Data yang digunakan dalam rentang waktu 2011 hingga 2016 1.5.
Sistematika Penulisan
Adapun sistematika penulisan penelitian ini disajikan dengan penjelasan sebagai berikut:
4
BAB 1 Pendahuluan
Bab ini memuat latar belakang masalah, perumusan masalah, batasan masalah, tujuan penelitian, manfaaat penelitian, dan sistematika penulisan.
BAB 2 Kajian Pustaka dan Dasar Teori
Bab ini membahas mengenai kajian pustaka dan dasar teori berfungsi sebagai sumber dalam memahami permasalahan yang berkaitan dengan penelitian yang dilakukan. BAB 3 Metodologi Penelitian
Pada bab ini menjelaskan mengenai tahapan-tahapan yang akan digunakan dalam proses penelitian ini. BAB 4 Desain Penelitian Penelitian
Pada bab ini menjelaskan mengenai desain dan langkahlangkah yang akan dilakukan dari awal hingga proses terakhir BAB 5 Hasil dan Pembahasan Penelitian
Pada bab ini menjelaskan mengenai pembahasan berdasarkan langkah-langkah yang sudah dijelaskan pada bab sebelumnya BAB 6 Kesimpulan dan Saran Penelitian
Pada bab ini menjelaskan mengenai hasil akhir berupa kesimpulan dari penelitian. Selain itu terdapat saran untuk penelitian selanjutnya.
5
(Halaman ini sengaja dikosongkan)
6
BAB 2 TINJAUAN PUSTAKA Pada bab ini akan dijelaskan dasar teori yang digunakan dalam penelitian. Dasar teori yang digunakan antara lain customer churn, Customer Relationship Management (CRM), dan teknik data mining yang digunakan. 2.1. Customer Churn Customer churn merupakan istilah yang digunakan untuk mendefinisikan bahwa seorang customer (pelanggan) menghentikan hubungan bisnis dengan perusahaan (Liaou, 2007). Customer churn merupakan kondisi dimana pelanggan tidak melanjutkan berlangganan pada provider (perusahaan) yang dipilih dan berpindah pada perusahaan pesaing (Richeldy dan Perrucci, 2002). Customer churn merupakan istilah untuk mendefinisikan perputaran pelanggan, atau lebih khusus disebut sebagai customer churn management. Manajemen customer churn merupakan sebuah konsep untuk mengidentifikasi para pelanggan yang berkeinginan untuk berpindah dari perusahaan yang telah dipilih ke perusahaan pesaing, sehingga sekali pelanggan tersebut teridentifikasi churn maka pelanggan tersebut menjadi target pemasaran proaktif sebagai upaya retention (retensi) (Hadden dkk, 2005). Terdapat banyak istilah yang merupakan padanan arti kata dari customer churn, yaitu customer attrition, customer turnover, atau customer defection. Pada kamus besar bahasa Indonesia (KKBI) belum didefinisikan istilah churn ataupun customer churn, sehingga dapat menggunakan istilah-istilah yang mengacu pada penelitian-penelitian sebelumnya. Perubahan pada industri telekomunikasi terjadi sangat cepat, sehingga terjadi peningkatan jumlah data dalam jumlah besar yang diakibatkan oleh perkembangan teknologi, dan peningkatan jumlah subscriber atau pelanggan yang mendaftar (Gursoy, 2010). Saat jumlah pelanggan terus bertambah dan telah mencapai puncaknya pada suatu bisnis, maka untuk memperoleh pelanggan baru semakin sulit dan membutuhkan biaya yang mahal. Sehingga mempertahankan pelanggan yang sudah ada merupakan prioritas utama, dari pada mencoba
7
memenangkan persaingan untuk mendapatkan pelanggan baru (Hadden, 2007). Ekspansi yang cepat dan tidak terkendali mengakibatkan kerugian besar yang diakibatkan oleh penipuan atau kesalahan teknis, sehingga dibutuhkan metode analisis baru yang efektif. Salah satunya adalah analisis customer churn, yang didefinisikan
sebagai
sebuah
kondisi
dimana
pelanggan
menghentikan
keanggotaan dengan satu perusahaan dan menjadi pelanggan baru pada perusahaan pesaing. Analisis churn sering digunakan pada semua sektor, salah satunya adalah sektor telekomunikasi yang mempunyai potensi churn yang sangat tinggi, sehingga biaya churn yang sangat besar menyebabkan potensi kerugian yang besar (Gursoy, 2010). Biaya churn yang sangat besar menjadikan manajemen churn sebagai senjata paling kompetitif, dan menjadi dasar berbagai strategi pemasaran yang berfokus pada pelanggan. Perusahaan dapat menentukan jenis pelanggan yang paling mungkin untuk churn, dan yang paling mungkin untuk tetap setia dengan menggunakan produk perusahaan. Bagian dari proses ini adalah menentukan nilai pelanggan, karena terkadang perusahaan melepaskan pelanggan yang tidak menguntungkan atau tidak terlalu menguntungkan. Ketika informasi telah dimiliki oleh perusahaan, maka manajer pemasaran dapat mengambil
tindakan
tepat
dan
strategis
untuk
meminimalkan
churn,
memenangkan kembali churn, dan mengefektifkan biaya yang sesuai untuk pelanggan di masa depan, termasuk pelanggan yang memiliki kemungkinan kecil untuk churn (Richeldy dan Perrucci, 2002). Dengan memperkirakan pelanggan yang mungkin akan beralih pada provider lain, maka organisasi dapat menentukan usaha
yang
bertujuan
untuk
meningkatkan
loyalitas
pelanggan
dan
mengembangkan strategi pemasaran agar retensi pelanggan meningkat. Oleh karena itu penelitian mengenai customer churn terus dilakukan, dan metode data mining merupakan metode yang sering digunakan pada analisis customer churn (Gursoy, 2010). Pelanggan churn dapat dibagi ke dalam dua kelompok, yaitu pelanggan churn voluntary (sukarela) dan non voluntary. Pelanggan churn voluntary lebih sulit dideteksi dikarenakan pelanggan tersebut memutuskan untuk churn karena
8
keputusan mereka sendiri, sedangkan pelanggan churn non voluntary tidak menghentikan layanan secara sukarela, melainkan layanan dihentikan oleh provider secara sepihak dikarenakan beberapa hal, antara lain karena menyalahgunakan layanan atau tidak membayar tagihan. Upaya manajemen churn tidak harus fokus pada semua jenis pelanggan, karena tidak semua pelanggan membutuhkan upaya retensi, customer retention membutuhkan banyak biaya, dan mencoba mempertahankan pelanggan yang tidak memiliki tanda-tanda churn akan membuang-buang
sumber
daya.
Banyak
produk
customer
relationship
management (CRM) yang bertujuan untuk menganalisis perusahaan yang berfokus pada pelanggan. Organisasi harus berhati-hati jika memutuskan untuk membeli produk CRM. Vendor produk CRM mungkin meyakinkan pelanggan dengan menjanjikan bahwa produk CRM yang dibangun merupakan aplikasi yang sangat berguna, meskipun pada kenyataannya tidak ada aplikasi yang memberikan solusi yang 100% akurat, karena ketidak pastian pada prediksi churn (Hadden dkk, 2005). 2.2. Data Mining Menurut Han dan Kamber (2011, p36), data mining adalah proses menemukan pola yang menarik dan pengetahuan dari data yang berjumlah besar. Sedangkan menurut Linoff dan Berry (2011, p7) Data mining adalah suatu pencarian dan analisa dari jumlah data yang sangat besar dan bertujuan untuk mencari arti dari pola dan aturan. Lalu menurut Connolly dan Begg,(2010), Data mining adalah suatu proses ekstraksi atau penggalian data yang belum diketahui sebelumnya, namun dapat dipahami dan berguna dari database yang besar serta digunakan untuk membuat suatu keputusan bisnis yang sangat penting. Dan menurut
Vercellis
(2009,
p77),
Data
mining
adalah
aktivitas
yang
menggambarkan sebuah proses analisis yang terjadi secara iteratif pada database yang besar, dengan tujuan mengekstrak informasi dan knowledge yang akurat dan berpotensial berguna untuk knowledge workers yang berhubungan dengan pengambilan keputusan dan pemecahan masalah.
9
Dari beberapa teori yang dijabarkan oleh para ahli diatas, bahwa Data mining adalah suatu pencarian dan analisa pada suatu koleksi data (database) yang sangat besar sehingga ditemukan suatu pola yang menarik dengan tujuan mengekstrak informasi dan knowledge yang akurat dan berpotensial, serta dapat dipahami dan berguna dari database yang besar serta digunakan untuk membuat suatu keputusan bisnis yang sangat penting. Menurut Han dan Kamber, (2011, p24), secara garis besar data mining dapat dikelompokkan menjadi 2 kategori utama, yaitu: Predictive Predictive merupakan proses untuk menemukan pola dari data dengan menggunakan beberapa variabel lain di masa depan. Salah satu teknik yang terdapat dalam predictive mining adalah klasifikasi. Tujuan dari tugas prediktif adalah untuk memprediksi nilai dari atribut tertentu berdasarkan pada nilai atribut-atribut lain. Atribut yang diprediksi umumnya dikenal sebagai target atau variable tak bebas, sedangkan atribut-atribut yang digunakan untuk membuat prediksi dikenal sebagai explanatory atau variable bebas. Contohnya, perusahaan retail dapat menggunakan data mining untuk memprediksikan penjualan dari produk mereka di masa depan dengan menggunakan data-data yang telah didapatkan dari beberapa minggu. Descriptive Descriptive dalam data mining merupakan proses untuk menemukan karakteristik penting dari data dalam suatu basis data. Tujuan dari tugas deskriptif adalah untuk menurunkan pola-pola (korelasi, trend, cluster, teritori, dan anomali) yang meringkas hubungan yang pokok dalam data. Tugas data mining deskriptif sering merupakan penyelidikan dan seringkali memerlukan teknik post-processing untuk validasi dan penjelasan hasil.
10
Menurut Hoffer, Ramesh & Topi (2012), tujuan dari adanya data mining adalah: explanatory, yaitu untuk menjelaskan beberapa kegiatan observasi atau suatu kondisi. confirmatory, yaitu untuk mengkonfirmasi suatu hipotesis yang telah ada. exploratory, yaitu untuk menganalisis data baru suatu relasi yang janggal. Karakteristik data Mining menurut Turban (2007, p230): a. Seringnya data terpendam dalam database yang sangat besar dan kadang datanya sudah bertahun-tahun. b. Lingkungan data mining biasanya berupa arsitektur client-server atau arsitektur system informasi berbasis web. c. Tool baru yang canggih, termasuk tool visualisasi tambahan, membantu menghilangkan lapisan informasi yang terpendam dalam file-file yang berhubungan atau record-record arsip publik. d. Pemilik biasanya seorang end user, didukung dengan data drill dan tool penguasaan
query
yang
lain
untuk
menanyakan
pertanyaan
dan
mendapatkan jawaban secepatnya, dengan sedikit atau tidak ada kemampuan pemrograman e. Tool data mining dengan kesediannya dikombinasikan dengan spreadsheet dan tool software pengembangan yang lainnya. f. Karena besarnya jumlah data dan usaha pencarian yang besar-besaran, kadang-kadang diperlukan penggunaan proses parallel untuk data mining. Kelebihan Data Mining sebagai alat analisis : a. Data mining mampu menangani data dalam jumlah besar dan kompleks. b. Data mining dapat menangani data dengan berbagai macam tipe atribut. c. Data mining mampu mencari dan mengolah data secara semi otomatis. Disebut semi otomatis karena dalam beberapa teknik data mining, diperlukan parameter yang harus di-input oleh user secara manual. d. Data mining dapat menggunakan pengalaman ataupun kesalahan terdahulu untuk meningkat
11
2.2.1 Fungsi Data mining Menurut Maclennan, Tang, & Crivat (2009, p6). Berikut adalah fungsi data mining secara umum : 1. Classification Classification adalah proses untuk mencari model atau fungsi yang menggambarkan dan membedakan kelas-kelas atau konsep data. Fungsi dari Classification adalah untuk mengklasifikasikan suatu target class ke dalam kategori yang dipilih. Decision tree adalah sebuah flowchart yang menyerupai struktur pohon, dimana tiap node menunjukkan sebuah test dari nilai atribut, tiap cabang merepresentasikan
sebuah
hasil
dari
test,
dan
decision
tree
merepresantasikan kelas-kelas atau distribusi kelas. Decision trees dapat dengan mudah di konversi ke aturan klasifikasi. Neural network ketika digunakan untuk klasifikasi, biasanya koleksi dari neuron seperti unit pengolahan dengan pertimbangan koneksi antara tiap unit. Ada banyak metode untuk membangun model klasifikasi seperti naïvebayesian classification, support vector machine (SVM) dan k-nearest neighbor classication. 2. Clustering Fungsi dari clustering adalah untuk mencari pengelompokkan atribut ke dalam segmentasi-segmentasi berdasarkan similaritas. 3. Association Fungsi dari association adalah untuk mencari keterkaitan antara atribut atau item set, berdasarkan jumlah item yang muncul dan rule association yang ada.
12
4. Regression Fungsi dari regression hampir sama dengan klasifikasi. Fungsi dari regression adalah bertujuan untuk mencari prediksi dari suatu pola yang ada. 5. Forecasting Fungsi dari forecasting adalah untuk peramalan waktu yang akan datang berdasarkan trend yang telah terjadi di waktu sebelumnya. 6. Sequence Analysis Fungsi dari sequence analysis adalah untuk mencari pola urutan dari rangkaian kejadian. 7. Deviation Analysis Fungsi dari deviation analysis adalah untuk mencari kejadian langka yang sangat berbeda dari keadaan normal (kejadian abnormal).
Menurut Hung dkk (2006), teknik-teknik data mining dan bentuk aplikasinya dapat dilihat pada tabel 2.1 berikut:
13
2.3. Neural Network Neural Network merupakan suatu metode Artificial Intelligence yang konsepnya meniru sistem jaringan syaraf yang ada pada tubuh manusia, dimana dibangun node – node yang saling berhubungan satu dengan yang lainnya. Node – node tersebut terhubung melalui suatu link yang biasa disebut dengan istilah weight. Ide dasarnya adalah mengadopsi cara kerja otak manusia yang memiliki ciri – ciri pararel processing, processing element dalam jumlah besar dan fault tolerance. Menurut Haykin (1999,p2), jaringan syaraf tiruan (Artificial Neural Network) adalah sejumlah besar prosesor yang terdistribusi secara pararel dan terdiri dari unit pemrosesan sederhana, dimana masing – masing unit memiliki kecenderungan untuk menyimpan pengetahuan yang dialami dan dapat digunakan kembali. Jaringan syaraf tiruan menyerupai otak manusia dengan dua cara : a) Pengetahuan yang diperoleh jaringan dari lingkungannya melalui proses pembelajaran. b) Kekuatan hubungan antar neuron, dikenal dengan istilah synaptic weights, dan digunakan untuk menyimpan pengetahuan yang diperoleh. Pada umumnya neural network dibagi berdasarkan layer – layer yaitu input layer, hidden layer dan output layer. Setiap node pada masing – masing layer memiliki suatu error rate, yang akan digunakan untuk proses training. Neural network dengan layer – layer memiliki konsep kerja sebagai berikut : input layer menunggu user memasukan input ke masing – masing node nya,
14
setelah masing – masing node di input layer memperoleh data yang dibutuhkan maka akan dikalikan dengan weight-nya menghasilkan sum (jumlah) atau yang lebih dikenal dengan akumulator dengan rumus NET = O1 W1 + O2 W2 + ... + On Wn =
i Wi, lalu akumulator tersebut akan dimasukan kedalam Fungsi
Aktivasi yang digunakan, rumusnya adalah OUT = F ( NET ), untuk Back Propagation umumnya menggunakan fungsi sigmoid biner dan fungsi sigmoid bipolar. Pada kenyataannya (kebiasaannya), kebanyakan neural system harus diajari (training). Mereka akan mempelajari asosiasi, patterns, dan fungsi yang baru. Pemakai-pemakai neural network tidak menspesifikasikan sebuah algoritma untuk dieksekusi dalam setiap perhitungan. Mereka akan memilih arsitektur tertentu dengan pandangan mereka, dengan karakteristik neuron, weight, dan memilih model training sendiri. Sehingga dari hasil tersebut, informasi network dapat diubah oleh para pemakai. Artificial Neural System juga dapat mengkalkulasi teknik matematik, seperti minimalisasi kesalahan suatu perhitungan. Neural network sangat berperan dalam teknologi dan beberapa disiplin ilmu, yang membantu dalam menentukan model-model neural network dan system non-linear dynamic. Matematika adalah model neural yang paling berpotensi karena kekompleksan-nya. Elektronika dan ilmu komputer juga menggunakan metode ini, karena berperan dalam pengiriman sinyal data. Neural Network memiliki metode – metode yang sering digunakan ,diantaranya adalah :
15
Back Propagation Algoritma
backpropagation
merupakan
bagian
dari
algoritma
pembelajaran terawasi yang biasanya digunakan oleh perceptron dengan banyak lapisan untuk mengubah bobot-bobot yang terhubung dengan neuron-neuron yang ada pada lapisan tersembunyi Bidirectional Assosiate Memory (BAM) Bidirectional Associative Memory (BAM) adalah salah satu model neural network dengan hetero associative memory dan menggunakan dua layer, yaitu layer input dan layer output. Masukan untuk BAM berupa pasangan pola Ai dan Bi. Jadi setiap data harus diberi pasangan. Kosko (1988) telah membuktikan bahwa setiap matriks dalam associative memory bersifat bidirectionally stable. Karena itu, BAM dapat diilustrasikan dengan menggunakan matriks yang bernilai nyata dengan melakukan encoding pada pasangan pola yang menghasilkan connection matrix W, informasi dapat diberikan secara feedback. Radial Basis Function (RBF) Jaringan syaraf tiruan metode fungsi basis radial merupakan JST yang memiliki 2 tahap pelatihan. Pada tahap awal, parameter fungsi basis ditentukan secara cepat dengan menggunakan unsupervised method yang hanya memerlukan data input saja. Tahap kedua pelatihan ini adalah membawa hasil dari unit tersembunyi ke unit output secara linier. Fungsi basis radial merupakan fungsi yang bergantung pada jarak antara data dengan suatu pusat data. Multi-layered Perceptron Perceptron dengan banyak lapis lebih dari satu. Pembelajaran yang dipakai
pada
umumnya
adalah
optimalisasi
bobot
dengan
menggunakan Evolutionary Programming, dan sangat populer dipergunakan.
Fase
Pelatihan
(pembelajaran).
Fase
Prediksi
(pengujian) merupakan subset dari fungsi pembelajaran di mana
16
proses pengujian alur proses pencarian (feedforward) tidak ada arah perambatan mundur untuk penyesuaian bobot. Pada proses prediksi atau pengujian, bobot memiliki nilai tetap (fixed weights). 2.3.1
Neuron Neuron adalah unit pemrosesan informasi yang merupakan dasar dari
operasi jaringan syaraf tiruan. Sel – sel syaraf tiruan ini dirancang berdasarkan sifat – sifat dari neuron biologis. Sel syaraf tiruan ini biasa disebut juga sebagai processing elements, unit atau node. 2.3.2
Weight, Output dan Error Hubungan antar node diasosiasikan dengan suatu nilai yang disebut
dengan bobot atau weight. Setiap node pasti memiliki output, error dan weightnya masing - masing. Output merupakan keluaran dari suatu node. Error merupakan tingkat kesalahan yang terdapat dalam suatu node dari proses yang dilakukan. Weight merupakan bobot dari node tersebut ke node yang lain pada layer yang berbeda. Nilai weight berkisar antara -1 dan 1. Bobot – bobot atau weight yang tersimpan di dalam jaringan syaraf tiruan ini disebut sebagai bobot interkoneksi. Nilai bobot yang baik akan memberikan keluaran yang sesuai, dalam arti mendekati keluaran yang diharapkan (target output) untuk suatu input yang diberikan. Bobot awal dalam suatu jaringan syaraf tiruan biasanya diperoleh secara random dan sebaiknya di inisialisasi dengan nilai yang relatif kecil, yaitu berkisar antara -0,1 sampai 0,1 (Mitchell, 1997, p108). Baru dalam tahap pelatihan, bobot tersebut akan mengalami penyesuaian melalui suatu proses perhitungan matematik agar tercapai nilai bobot yang sesuai.
17
2.3.3
Backpropagation Inti dari back propagation adalah untuk mencari error suatu node. Dari
hasil forward phase akan dihasilkan suatu output, dari output tersebut, pastilah tidak sesuai target yang diinginkan. Perbandingan kesalahan dari target yang diinginkan dengan output yang dihasilkan disebut dengan error. Backpropagation adalah salah satu metode dari jaringan syaraf tiruan yang dapat diaplikasikan dengan baik dalam bidang peramalan (forecasting). Backpropagation melatih jaringan untuk mendapatkan keseimbangan antara kemampuan jaringan mengenali pola yang digunakan selama training serta kemampuan jaringan untuk memberikan respon yang benar terhadap pola masukan yang serupa namun tidak sama dengan pola yang dipakai selama pelatihan (Siang, 2005:119). Menurut
Kusumadewi
(2004:116)
dalam
pelatihan
dengan
backpropagation sama halnya seperti pelatihan pada jaringan syaraf yang lain. Pada jaringan feedfoward (umpan maju), pelatihan dilakukan dalam rangka perhitungan bobot sehingga pada akhir pelatihan akan diperoleh bobot-bobot yang baik. Selama proses pelatihan, bobot-bobot diatur secara iteratif untuk meminimumkan error (kesalahan) yang terjadi. Kesalahan dihitung berdasarkan rata-rata kuadrat kesalahan (MSE). Rata-rata kuadrat kesalahan juga dijadikan dasar perhitungan unjuk kerja fungsi aktivasi. Sebagian besar pelatihan untuk jaringan feedfoward (umpan maju) menggunakan gradien dari fungsi aktivasi untuk menentukan bagaimana mengatur bobot-bobot dalam rangka meminimumkan kinerja. Gradien ini ditentukan dengan menggunakan suatu teknik yang disebut backpropagation. Dan pada dasarnya, algoritma pelatihan standar backpropagation akan menggerakkan bobot dengan arah gradien negatif. Prinsip dasar dari algoritma backpropagation adalah memperbaiki bobot-bobot jaringan dengan arah yang membuat fungsi aktivasi menjadi turun dengan cepat. Ada 3 fase Pelatihan backpropagation menurut Siang (2005:100-104) antara lain :
18
1. Fase 1, yaitu propagasi maju. Dalam propagasi maju, setiap sinyal masukan dipropagasi (dihitung maju) ke layar tersembunyi hingga layar keluaran dengan menggunakan fungsi aktivasi yang ditentukan. 2. Fase 2, yaitu propagasi mundur. Kesalahan (selisih antara keluaran jaringan dengan target yang diinginkan) yang terjadi dipropagasi mundur mulai dari garis yang berhubungan langsung dengan unit-unit di layar keluaran. 3. Fase 3, yaitu perubahan bobot. Pada fase ini dilakukan modifikasi bobot untuk menurunkan kesalahan yang terjadi. Ketiga fase tersebut diulang-ulang terus hingga kondisi penghentian dipenuhi. Algoritma pelatihan untuk jaringan dengan satu layar tersembunyi (dengan fungsi aktivasi sigmoid biner) adalah sebagai berikut : a. Langkah 0 : Inisialisasi semua bobot dengan bilangan acak kecil b. Langkah 1 : Jika kondisi penghentian belum terpenuhi, lakukan langkah 2-9 c. Langkah 2 : Untuk setiap pasang data pelatihan lakukan langkah 3-8 Fase I : Propagasi maju d. Langkah 3 : Tiap unit masukan menerima sinyal dan meneruskannya ke unit tersembunyi diatasnya e. Langkah 4 : Hitung semua keluaran di unit tersembunyi zj (j = 1,2,…,p)
19
f. Langkah 5 : Hitung semua keluaran jaringan di unit yk (k = 1,2,…,m)
Fase II : Propagasi mundur g. Langkah 6 : Hitung faktor unit keluaran berdasarkan kesalahan disetiap unit keluaran yk (k= 1,2,…,m)
δk merupakan unit kesalahan yang akan dipakai dalam perubahan bobot layar dibawahnya (langkah 7) Hitung suku perubahan bobot wkj (yang akan dipakai nanti untuk merubah bobot wkj) dengan laju percepatan α
h. Langkah 7 : Hitung faktor unit tersembunyi berdasarkan kesalahan disetiap unit tersembunyi zj (j = 1,2,…,p)
Faktor unit tersembunyi :
Hitung suku perubahan bobot vji (yang akan dipakai nanti untuk merubah bobot vji)
Fase III : Perubahan bobot i. Langkah 8 : Hitung semua perubahan bobot Perubahan bobot garis yang menuju ke unit keluaran :
Perubahan bobot garis yang menuju ke unit tersembunyi :
20
Setelah pelatihan selesai dilakukan, jaringan dapat dipakai untuk pengenalan pola. Dalam hal ini, hanya propagasi maju (langkah 4 dan 5) saja yang dipakai untuk menentukan keluaran jaringan. Dalam beberapa kasus pelatihan yang dilakukan memerlukan iterasi yang banyak sehingga membuat proses pelatihan menjadi lama. Untuk mempercepat iterasi dapat dilakukan dengan Parameter α atau laju pemahaman. Nilai α terletak antara 0 dan 1 (0 ≤ α ≤ 1). Jika harga α Semakin besar, maka iterasi yang dipakai semakin sedikit. Akan tetapi jika harga α terlalu besar, maka akan merusak pola yang sudah benar sehingga pemahaman menjadi lambat. Proses pelatihan yang baik dipengaruhi pada pemilihan bobot awal, karena bobot awal sangat mempengaruhi apakah jaringan mencapai titik minimum lokal atau global, dan seberapa cepat konvergensinya. Oleh karena itu dalam standar backpropagation, bobot dan bias diisi dengan bilangan acak kecil dan biasanya bobot awal diinisialisasi secara random dengan nilai antara -0,5 sampai 0,5 (atau -1 sampai 1 atau interval yang lainnya). 2.3.4
Fungsi Sigmoid Menurut (Anderson, 1995 p413), (Nelson, 1990 p108). Fungsi Sigmoid
bertujuan untuk menolong sistem untuk mendapatkan output yang diinginkan. Input yang masuk kedalam neuron tidak hanya dikalikan dengan weightnya, akan tetapi mereka juga dikalikan dengan ekuisasi karakter dari suatu neuron atau lebih dikenal dengan istilah transfer function. Fungsi Sigmoid adalah suatu non-linear transfer function yang membantu menyesuaikan output yang diinginkan. Sebuah sifat non-linear adalah sesuatu yang signifikan, karena jika suatu transfer function bersifat linear, maka setiap input akan dikalikan dengan proporsi yang sama setiap kali training, ini akan mengakibatkan seluruh sistem akan meleset dalam proses pelatihannya (trainingnya). Karena itu sistem dapat tidak mendapatkan output yang sudah ada, selagi menyimpan output yang baru. Karena itu sifat non – linear dalam suatu sistem membantu mengisolasi path – path input yang spesifik.
21
Fungsi aktivasi dalam jaringan Backpropagation memiliki beberapa karakteristik penting, yaitu fungsi aktivasi harus bersifat kontinu, terdiferensial dengan mudah dan tidak turun (Fausset, 1994). Beberapa fungsi aktivasi yang sering dipakai adalah sebagai berikut : 1. Fungsi aktivasi linier ( ) Fungsi aktivasi linier sering dipakai apabila keluaran jaringan yang diinginkan berupa sembarang bilangan riil (bukan hanya pada range [0,1] atau [-1,1]. Fungsi aktivasi linier umumnya digunakan pada neuron output.
2. Fungsi aktivasi sigmoid biner ( ) Fungsi aktivasi sigmoid atau logistik sering dipakai karena nilai fungsinya yang terletak antara 0 dan 1 dan dapat diturunkan dengan mudah. ( )
( ))
( )(
3. Fungsi aktivasi sigmoid bipolar. ( ) Fungsi aktivasi ini memiliki nilai yang terletak antara -1 dan 1 dengan turunannya sebagai berikut: ( )
( ))(
(
( ))
4. Fungsi aktivasi tangen hiperbola Fungsi aktivasi ini juga memiliki nilai yang terletak antara -1 dan 1. Formulanya yaitu: ( )
) )
( (
22
dengan rumus turunannya sebagai berikut: h′ 2.3.5
= 1 + tanh
(1 − tanh
)
Sigmoid Biner Yang dimaksud di sini mencakup fungsi – fungsi berbentuk kurva S.
Sebagai contoh yang sering digunakan adalah fungsi logistik. Fungsi ini memiliki kelebihan dalam melatih neural network terutama yang menggunakan algoritma Back Propagation, karena hubungan yang sederhana antara nilai fungsi pada suatu titik dengan nilai turunannya, sehingga mengurangi biaya komputasi selama pembelajaran sehingga kompleksitas waktu dapat dipercepat. Fungsi sigmoid biner memiliki nilai antara 0 sampai 1. Oleh karena itu, fungsi ini sering digunakan untuk jaringan syaraf yang membutuhkan nilai output yang terletak pada interval 0 samai 1. Fungsi logistik sigmoid : ( ) dimana a merupakan parameter kecuaraman yang
diberikan. Umumnya nilai
a dipilih 1. Dapat dilihat pada gambar 2.1
Gambar 2.1 Grafik perbedaan nilai 𝑎
23
2.4. Relationship Marketing Menurut (Sohail, 2012) mengatakan bahwa relationship marketing adalah tentang mempertahankan pelanggan dengan membangun, memelihara dan meningkatkan hubungan dengan pelanggan dan pihak lain. Menurut (Sivesan, 2012) mengatakan bahwa relationship marketing adalah konsep yang sangat penting untuk menarik dan mempertahankan pelanggan dalam sebuah organisasi. Dalam dunia bisnis modern, fokus pemasaran mencerminkan pergerakan perubahan dari pemasaran transaksional ke relationship marketing. Membangun, memelihara, dan selalu meningkatkan hubungan pelanggan merupakan aspek penting dari bisnis. Konsep relationship marketing secara luas dipahami, baik itu secara akademis dan profesional dimana tujuannya adalah untuk meningkatkan hubungan yang kuat dan menjadikan pelanggan yang acuh tak acuh menjadi loyal. Relationship
marketing
melibatkan,
menciptakan,
memelihara,
dan
meningkatkan hubungan yang kuat dengan pelanggan dan stakeholder lainnya. Relationship marketing berorientasi untuk jangka panjang. Tujuannya adalah untuk memberikan nilai jangka panjang untuk pelanggan, dan ukuran keberhasilan adalah kepuasan pelanggan jangka panjang (Murphy et al, 2005) Menurut Kotler dan Amstrong ( 2010, p.579-582 ) relationship marketing memiliki tiga manfaat, yaitu : 1. Manfaat Ekonomis Pendekatan pertama untuk membangun suatu hubungan nilai dengan pelanggan adalah menambah manfaat-manfaat keuangan atau ekonomis, manfaat ekonomis dapat berupa penghematan biaya yang dikeluarkan oleh pelanggan, potongan-potongan khusus. 2. Manfaat Sosial Meskipun pendekatan dengan menambah manfaat ekonomis seperti di atas dapat membangun preferensi konsumen, namun hal ini dapat mudah ditiru oleh para pesaing satu badan usaha dengan yang lainnya. Sehingga dalam
24
pendekatan ini, badan usaha harus berusaha meningkatkan hubungan social mereka yaitu dengan memberikan perhatian kepada para pelanggan dengan mempelajari kebutuhan dan keinginan pelanggan secara individual. 3. Ikatan Struktural Pendekatan ketiga untuk membangun hubungan yang kuat dengan pelanggan adalah menambah ikatan struktural. Maksudnya bahwa badan usaha memberikan pendekatan atau program yang terstruktur yang dapat menarik minat konsumen untuk mau terlibat menjadi anggota. Ada beberapa konsep inti relationship marketing, diantaranya menurut (Kotler, 2003) adalah sebagai berikut : 1. Horizon Orientasi Jangka Panjang Merupakan ciri utama relationship marketing. Keberhasilan relationship marketing diukur dari seberapa lama pelanggan terjaga dalam hubungan dengan perusahaan. Dengan demikian relationship marketing juga menyangkut nilai estimasi mengenai nilai sepanjang hidup konsumen. 2. Komitmen dan Pemenuhan Janji Untuk dapat menjalin hubungan jangka panjang, relationship marketing menekankan upaya pemeliharaan sikap percaya atau kepercayaan, komitmen, dengan menjaga integritas masing-masing melalui pemenuhan janji atau timbal balik, empatu di antara kedua belah pihak. 3. Pangsa Konsumen Bukan Pangsa Pasar Relationship marketing tidak lagi pada konsentrasi pada pencapaian pangsa pasar melainkan upaya untuk mempertahankan pelanggan. 4. Nilai Sepanjang Hidup Pelanggan Perusahan perlu mengidentifikasi pelanggan yang berpotensi menjalin hubungan jangka panjang dan kemudian nilai hidup pelanggan agar menguntungkan perusahaan.
25
5. Dialog Dua Arah Untuk mencapai hubunganyang diinginkan, maka diperlukan komunikasi dua arah. 6. Kustomisasi Relationship marketing memberikan pemahman yang lebih baik akan tuntutan dan keinginan konsumen, sehingga memungkinkan penyediaan produk yang sesuai dengan spesifikasi pelanggan.
(Winer, 2004) berpendapat jika perusahaan dapat mengkombinasikan kemampuan untuk merespon dan menyediakan permintaan pelanggan dengan baik, serta melakukan hubungan yang lebih intensif dengan pelanggan melalui peningkatan kualitas layanan pelanggan sesuai dengan permintaan pelanggan, maka perusahaan tersebut dapat mempertahankan pelanggannya untuk jangka panjang. Dikatakan bahwa program relationship marketing terdiri dari : 1. Customer Service Customer service merupakan salah satu faktor yang sangat penting dalam setiap usaha baik dalam bidang jasa maupun barang. Definisi dari customer service adalah pelayanan tambahan yang diberikan untuk mendukung produk utama, juga merupakan komponen penting dari customer ssatisfaction. Customer service sangat diperlukan untuk membina hubungan jangka panjang dengan cara memberikan pelayanan tambahan sehingga membedakan produk perusahaan dengan produk pesaing. Dengan bertambahnya saingan di dalam dunia ritel, maka tidak salah jika customer service sangat diperlukan untuk mempertahankan pelanggan. Dengan memberikan pelayanan yang baik maka pelanggan akan datang kembali dan akan menjadi loyal. 2. Loyalty Programs Loyalty programs kini telah banyak ditetapkan oleh perusahaanperusahaan diseluruh dunia, program ini dilakukan agar pembeli melakukan pembelian kembali dan menjadi pelanggan bagi perusahaan tersebut. Menurut Winer (
26
2004 ) loyalty programs juga disebut frequency marketing, program yang mendorong repeat buying melalui program formal dan pendistribusian atau penyaluran keuntungan. Lamb ( 2003, p.475 ) juga menyebutkan bahwa loyalty programs adalah program promosi yang dirancang untuk membangun hubungan jangka pankang yang saling menguntungkan antara perusahaan dan pelanggan, kuncinya 25 untuk menciptakan pembelian yang terus-menerus dari sebuah produk atau jasa tertentu. 3. Community Building Community building ini dimaksudkan untuk membangun hubungan antara pelanggan agar memberikan informasi atau saran dan untuk menciptakan suatu hubungan yang baik antara pelanggan dengan perusahaan.
Menurut Tjiptono (2002:p.p41), konsep Transaction Marketing pada umumnya memandang proses pemasaran akan berakhir ketika transaksi jual beli telah terjadi, dimana produk telah berpindah kepemilikan dari tangan produsen ke tangan pelanggan. Pemasar yang menggunakan konsep ini biasanya terus menerus mencari ide baru tanpa mempertahankan hubungan pelanggan yang sudah ada. Akibatnya pelanggan hanya berbelanja karena suatu peristiwa, misalnya pada saat discount saja. Biasanya transaction buyer sering disebut bargain hunter, sebelum melakukan pembelian mereka membaca koran dulu untuk mencari tempat-tempat belanja yang menawarkan sale dan discount. Mereka rela berkeliling, pindah dari tempat satu ke tempat lainnya untuk mendapatkan discount yang lebih besar. Pemasar menggunakan konsep ini lambat laun akan mengeluarkan biaya yang lebih besar untuk mendapatkan pelanggannya. Semakin ketatnya persaingan bisnis menimbulkan konsep pemasaran yang baru yaitu, relationship marketing, dimana fokusnya tidak berhenti sampai transaksi, atau jual beli saja, tetapi mendapatkan pembelian yang berulang-ulang atau hubungan yang yang berjalan terus menerus dan memberi nilai yang berarti bagi pelanggan maupun pemasar. Konsep relationship marketing berusaha untuk
27
menciptakan relationship buyer. Relationship buyer bisa saja berbelanja ditempat pesaing untuk mencari harga yang lebih murah. Tetapi kenyataannya, mereka tidak melakukan hal itu, karena ditempat lain mereka belum tentu mendapatkan kenyamanan atau koleksi barang yang sesuai dengan keinginannya. Berikut ini dipaparkan perbedaan antara Relationship Marketing dengan Transacsional Marketing : Relationship Marketing
Transactional Marketing
Fokus pada pelanggan
Fokus pada penjualan tunggal
Orientasi pada manfaat produk
Orientasi pada karakteristik produk
Skala waktu panjang
Skala waktu singkat
Penekanan pada layanan
Kurang penekanan pada layanan
Komitmen pada pelayan tinggi
Komitmen pada pelanggan rendah
Kualitas perhatian semua orang
Kualitas perhatian produksi
Berdasarkan penelitian yang dilakukan oleh (Abdullah & Kanyan, 2012) terdapat 4 dimensi utama dalam relationship marketing : 1. Communication, menekankan pentingnya berkomunikasi dengan cara yang mudah dimengerti, memberikan penjelasan yang jelas, memberikan saransaran yang membantu pelanggan, dan mengetahui bagaimana menghargai pelanggan. Dimensi ini juga menekankan pentingnya penilaian dan penggunaan umpan balik dari pelanggan dalam meningkatkan pemberian layanan serta secara berkala menanyakan opini dan saran dari pelanggan 2. Trust, menekankan pentingnya keyakinan pelanggan terhadap layanan yang diberikan. Dimensi ini berkaitan dengan kemampuan penyedia layanan dalam memenuhi kewajibannya dan menunjukkan respek kepada pelanggan. 3. Empathy, mengacu pada kemampuan personil atau staf untuk menunjukkan simpati ketika berhadapan dengan pelanggan. Penting bagi karyawan untuk menampilkan perilaku yang ramah, sopan, dan menyenangkan dalam memberikan pelayanan untuk menumbuhkan keyakinan pelanggan.
28
4. Commitment, mendeskripsikan komitmen dan usaha perusahaan dalam menyediakan
layanan
yang
terbaik
untuk
mewujudkan
dan
mempertahankan hubungan dengan pelanggan dalam jangka panjang. Komitmen menekankan kemampuan perusahaan menyediakan produk dan jasa yang superior dengan harga yang pantas / masuk akal dan memberikan servis secara tepat dan benar, serta memenuhi kebutuhan dan keperluan pelanggan.
29
(Halaman ini sengaja dikosongkan)
30
BAB 3 METODOLOGI PENELITIAN Dalam bab ini, akan dijelaskan tentang metodologi penelitian yang akan digunakan dalam melakukan penelitian. Tahapan penelitian secara garis besar adalah studi literatur, analisis customer churn, perencanaan strategi berdasarkan hasil analisis customer churn. Tahapan tersebut dapat dilihat pada gambar 3.1 berikut :
Gambar 3.1 Metode Penelitian
3.1
Studi Literatur Studi literatur dilakukan dengan mengumpulkan dan mempelajari teori yang
berhubungan dengan customer churn dan customer retention. Berdasarkan permasalahan yang telah dirumuskan, studi literatur yang diperlukan sebagai dasar teori penulisan adalah sebagai berikut : 1. Landasan teori mengenai churn mulai dari definisi dan klasifikasi churn, sehingga dapat diketahui klasifikasi faktor yang menyebabkan pelanggan untuk melakukan churn. 31
2. Landasan teori mengenai Data mining yang merupakan metode yang digunakan untuk penelitian. 3. Landasan teori mengenai neural network dan fungsi sigmoid biner yang akan digunakan untuk penelitian 3.2
Pengumpulan Data Pada tahapan ini akan dilakukan proses pengambilan data yang kemudian
akan digunakan sebagai bahan penelitian. Data yang di ambil bersifat data primer dari perusahaan yang di ambil dari berbagai macam divisi. Kisiouglu dan Topcu (2011) menyimpulkan terdapat 9 variabel dalam prediksi churn yang dilakukan pada industri telekomunikasi, yaitu lokasi atau letak geografis, umur, tipe tarif, lama berlangganan, tren penggunaan biling, penggunaan billing perbulan, frekuensi penggunaan, lama penggunaan, dan churn. Penggunaan variabel pada penelitian ini berbeda dengan variabel yang digunakan oleh Kisiouglu & Topcu (2011) karena data yang berkaitan dengan variable tersebut tidak tersedia pada perusahaan. Penelitian ini menggunakan variable baru yang tidak digunakan oleh Kisiouglu & Topcu (2011) yaitu variable bonus dan complain. Data yang di ambil adalah sebagai berikut: 1.
Jenis paket layanan Jenis paket layanan adalah produk atau jasa yang dibayar oleh pelanggan setiap bulannya kepada ISP xyz. Pelanggan memilih paket yang sesuai dengan kebutuhan dan pelangga. Daftar data pelanggan dari setiap jenis paket layanan tersebut dimiliki oleh divisi product manager.
2.
Pembayaran Setiap pelanggan melakukan pembayaran setiap bulannya sesuai dengan paket yang dipilihnya. Harga satu produk layanan dari masing-masing pelanggan memiliki harga yang berbeda satu sama lain, harga yang diperoleh berdasarkan perjanjian penentuan harga awal dengan bagian sales. Divisi yang memiliki data pembayaran masing-masing pelanggan adalah divisi billing.
32
3.
Keluhan Setiap pelanggan yang mengalami gangguan dapat mengajukan keluhan pelanggan ke ISP xyz. Komplain memiliki beberapa tingkatan kategori, yaitu high, normal, dan low. Semua kmpalain akan dicatat pada system ticketing oleh divisi support.
4.
Bonus Bonus diberikan kepada pelanggan sebagai pengganti restitusi yang disebabkan oleh ISP xyz atau sebagai hadiah kepada pelanggan yang tetap setia menggunakan layanan ISP. Data dari bonus yang telah diberikan kepada pelanggan dimiliki oleh divisi customer relationship management.
5.
Umur pelanggan Lama pelanggan berlangganan ISP dihitung berdasarkan penandatanganan perjanjian Berita Acara Operasional (BAO). Data tersebut terdapat pada divisi dan product manager.
6.
Survey berhenti berlangganan Merupakan ssurvey yang dilakukan ketika seorang pelanggan memutuskan untuk berhenti berlangganan. Point yang harus diisi adalah : a. Survey alasan tidak berlangganan Merupakan hasil survey dari pelanggan alasan untuk berhenti berlangganan, alasan dapat berupa kualitas produk, harga, infrastruktur, kebijakan perusahaan dan layanan purna jual. b. Survey pengalaman menggunakan layanan Merupakan hasil survey tentang pengalaman yang dirasakan oleh pelanggan selama menjadi pelanggan dari ISP xyz. c. Survey pertimbangan untuk kembali Merupakan hasil survey tentang pelanggan yang berhenti tersebut akan menjadi pelanggan dari ISP xyz kembali. d. Survey untuk merekomendasikan Merupakan pendapat dari pelanggan yang berhenti berlangganan apakah bersedia untuk merekomendasikan ISP xyz ke orang lain.
33
Setelah data dari masing-masing divisi diperoleh, maka perlu disusun ulang dengan menggabungkan dari macam-macam data tersebut kedalam bentuk tabel untuk mempermudah proses penelitian. Data akan dibagi menjadi dua bagian, yaitu data untuk training dan data untuk uji coba. 3.3
Analisa Customer Churn Tahapan analisa customer churn merupakan tahapan yang menjelaskan
tentang penggunaan metode untuk melakukan penelitian. Berdasarkan data yang telah diperoleh dan yang sudah dijelaskan pada latar belakang, metode yang digunakan adalah metode jaringan syaraf buatan atau yang disebut Artificial Neural Network (ANN). Penggunaan metode neural network menggunakan jenis metode back-propagation. Backpropagation merupakan model neural network dengan banyak lapisan yang sering digunakan pada perkiraan time series. Algoritma pembelajaran backpropagation mengaktifkan neuron-neuron pada perambatan maju (forward propagation) menggunakan fungsi aktivasi yang dapat dideferensialkan untuk mendapatkan error output. Kemudian error output ini digunakan untuk mengubah nilai bobot-bobotnya kearah mundur (backward). Modifikasi atau perubahan bobot dilakukan untuk menurunkan kesalahan yang terjadi. (Kusumadewi, 2003). Penggunaan Backpropagation Neural Network, diawali dengan identifikasi data input dan output, normalisasi data input, pembentukan jaringan, dan pembelajaran jaringan. 3.3.1
Identifikasi data input dan output Data yang diperoleh berdasarkan hasil pengumpulan data di masukan ke
dalam beberpa variable. Variabel-variabel tersebut adalah sebagai berikut : Variabel X1 Merupakan vaiabel yang menyimpan jumlah pembayaran yang dikeluarkan oleh pelanggan setiap bulannya.
34
Variabel X2 Merupakan variable yang menyimpan jenis paket layanan yang diambil oleh pelanggan. Paket yang disimpan dapat berupa prduk tunggal maupun kombinasi antar produk yang diambil Variabel X3 Merupakan variable yang menyimpan jumlah keluhan dari pelanggan yang memiliki kategori high. Variabel X4 Merupakan variable yang menyimpan jumlah keluhan dari pelanggan yang memiliki kategori normal. Variabel X5 Merupakan variable yang menyimpan jumlah keluhan dari pelanggan yang memiliki kategori low. Variabel X6 Meruapakan variable yang menyimpan jumlah nominal bonus yang diberikan dari perusahaan kepada pelanggan. Variabel X7 Merupakan variable yang menyimpan berapa lama pelanggan tersebut sudah menjadi pelanggan dari ISP xys Variabel X8 Merupakan variable yang menyimpan hasil survey tentang alasan tidak berlangganan Variabel X9 Merupakan variable yang menyimpan hasil survey tentang pengalaman menggunakan layanan Variabel X10 Merupakan variable yang menyimpan hasil survey tentang pertimbangan untuk kembali Variabel X11 Merupakan variable yang menyimpan hasil survey tentang untuk merekomendasikan 35
3.3.2
Normalisasi data input Normalisasi menggunakan fungsi sigmoid biner dengan range 0 sampai 1
untuk pola masukan dan keluarannya. Nilai output berupa probabilitas pelanggan tersebut untuk melakukan churn. 3.3.3
Pembentukan jaringan Pembentukan jaringan Back-propagation Neural Network menggunakan 3
lapisan dengan satu lapisan input, satu lapisan tersembunyi, dan satu lapisan keluaran atau hasil. Lapisan input memiliki jumlah neuron sebanyak delapan, dan lapisan hasil sejumlah satu buah. Menurut Masters (1993) jumlah neuron pada hidden layer menganut aturan dari Geomatric Pyramid Rule, persamaannya sebagai berikut: ( )
√
dimana nilai n adalah jumlah input dan m adalah jumlah output. Banyak yang menyampaikan aturan best practice yang berbeda untuk mencari jumlah neuron pada hidden layer. Aturan tersebut adalah : 1. Jumlah hidden neuron berada pada antara jumlah neuron dari input dan output 2. Jumlah hidden neuron memiliki nilai 2/3 dari input neuron ditambah dengan jumlah output neuron 3. Jumlah hidden neuron dua kali lebih kecil daripada input neuron 3.3.4
Pembelajaran Sebelum melakukan pembelajaran ada jaringan yang telah dibentuk, perlu
dilakukan inisialisasi beberapa parameter pembelajaran, antara lain (Siang, Jong Jek, 2005) : net.trainParam.epoch : digunakan untuk menentukan jumlah epoch maksimum pelathan (default = 100). Dalam pelatihan ini, parameter epochs disesuaikan dengan pencapaoan net.trainParam.goal
36
net.trainParams.goal : digunakan untuk menentukan batas nilai mse (mean squere error) agar iterasi diberhentikan. Iterasi akan berhenti jika mse < batas yag ditentukan dalam net.trainParam.goal atau jumah epoc yang mencapai batas yang ditentukan dalam net.trainParam.epoch. daam pelatihan ini net.trainParam.goal dibagi menjadi 0.1
0.01
0.001
0.0001
net.trainParam.Ir : digunakan untuk menentukan laju pemahaman (α = learning rate). Defaultnya bernilai 0.01, semakin besar nilai α, maka semakin cepat proses pelatihannya. Akan tetapi jika α terlalu besar, maka algoritma menjadi tidak stabil dan mencapai titik minimum local. Proses pelatihan ini menggunakan α = 0.2 diharapkan pada mse net.trainParam.goal tidak mencapai titik minimum local. 3.4
Perencanaan Strategi Divisi Customer Relationship Management Pada tahap ini akan dilakukan pengolahan hasil output berdasarkan hasil
perhitungan Backpropagation Neural Network. Setiap pelanggan ISP xyz akan memiliki nilai churn yang berbeda-beda. Semakin tinggi nilai churn maka akan semakin tinggi peluang pelanggan tersebut akan berhenti langganan. Untuk menghindari pelanggan melakukan churn maka divisi CRM perlu untuk melakukan strategi relationship marketing. Pembuatan strategi tersebut berdasarkan faktor-faktor yang mempengaruhi kenapa pelanggan tersebut melakukan churn. Tingkat pengaruh dapat dilihat pada hasil koefisien dari masing-masing variable.
37
(Halaman ini sengaja dikosongkan)
38
BAB 4 DESAIN PENELITIAN Pada bab ini dijelaskan mengenai proses-proses penelitian yang akan dilakukan meliputi studi literatur, pengumpulan data, dan pembuatan strategi berdasarkan hasil pengolahan data tersebut. 4.1
Studi Literatur Studi literatur merupakan tahap pertama untuk memulai tahap penelitian.
Studi literatur membandingkan penelitian yang sudah ada sebelumnya yang memiliki topik sejenis melalui paper-paper yang tersedia pada penyedia website jurnal resmi internasional maupun nasional. Selain itu juga menganalisa data dari perusahaan yang berhubungan dengan pelanggan Hasil dari tahap ini berupa variabel-variabel yang berpengaruh pada customer churn berdasarkan penelitian yang sudah ada dengan data yang dimiliki oleh perusahaan. Selain itu tahap ini akan menghasilkan metode yang sesuai untuk prediksi customer churn. Proses pengambilan hasil variabel dengan cara menganalisa faktor apa saja yang mempengaruhi pelanggan untuk churn. Dari faktor-faktor tersebut kemudian disesuaikan dengan data yang dimiliki perusahaan. Jika data tersedia maka faktor tersebut dapat dijadikan variabel. Selain itu, berdasarkan jurnal-jurnal yang diambil maka di analisa metode yang tepat untuk menganalisa customer churn. Untuk memperkuat tentang penelitian tersebut, maka perlu dilakukan studi mengenai dasar teori tentang customer churn, data mining, dan dasar teori mengenai metode yang akan digunakan. 4.2
Pengumpulan Data Data yang akan dikumpulkan berdasarkan hasil pada tahap sebelumnya
berupa variabel-variabel. Data yang akan diambil untuk tahap ini berasal dari berbagai macam divisi pada perusahaan antara lain divisi billing, product development, support, dan divisi Customer Relationship Management (CRM). 39
Hasil dari tahap pengumpulan data ini adalah data yang terdapat pada rentang waktu 4 tahun, yaitu data tahun 2013 hingga tahun 2016. Satuan waktu dari masing-masing variabel yang akan digunakan adalah dalam satuan tahun. Data tersebut akan dibagi menjadi 2 yaitu untuk training sebanyak 80% dan data untuk uji coba sebanyak 20%. Data yang akan digunakan untuk pelatihan adalah data dengan rentang waktu 2013 hingga 2015, sedangkan data untuk uji coba menggunakan data pada tahun 2016. Karakteristik data yang akan digunakan adalah setiap record harus ada disetiap tahun mulai 2013 hingga 2016 dan untuk record baru ditengah rentang waktu tersebut tidak termasuk pada data penelitian. Hal tersebut dilakukan bertujuan agar hasil yang dihasilkan dari sistem training menjadi valid dan konsisten. Data yang berasal dari masing-masing divisi akan digabungkan menjadi satu tabel yang nantinya akan diproses pada proses analisa customer churn Hasil data pada tahap ini terdapat 2 jenis, yaitu data pelanggan yang sudah melakukan churn dan yang belum melakukan churn. Setiap pelanggan yang berhenti berlangganan maka akan mengisi form berhenti berlangganan. Data sudah tersedia pada sistem internal perusahaan. Proses pengambilan data dilakukan dengan proses wawancara kepada masing-masing supervisor dari setiap divisi, hal tersebut dikarenakan untuk mengakses sistem internal tersebut memerlukan hak akses dari masing-masing divisi. Data yang diambil bersifat data primer. Data yang akan diambil harus melewati beberapa proses terlebih dahulu, yaitu : 1. Penyalinan Dokumen Berdasarkan wawancara kepada masing-masing supervisor disetiap divisi, data yang terdapat pada sistem kemudian di lakukan penyalinan dokumen ke dalam format excel agar memudahkan untuk diproses. Dokumen yang dihasilkan tersebut berdasarkan divisi yang diwawancara. 2. Rekap Dokumen Pada tahap ini data yang telah disalin ke dalam bentuk excel, maka akan dilakukan proses rekap data. Salinan dokumen tersebut masih memiliki 40
banyak kekurangan, seperti data yang tidak lengkap, format yang tidak seragam, bahkan terdapat data yang berupa salah input. Maka hal-hal seperti itu perlu untuk dihilangkan atau diseragamkan. Setelah data sudah dibersihkan, maka data yang bersifat kualitatif akan diberikan pengkodean berupa angka agar lebih mudah untuk pemprosesan pada tahap selanjutnya. Dokumen-dokumen yang terpisah tersebut kemudian digabungkan menjadi 1 file dokumen excel karena kebutuhan pada tahap penelitian selanjutnya. 3. Pembersihan data Pembersihan data merupakan tahap pemilihan data yang akan digunakan. Data yang akan digunakan adalah data pelanggan yang tersedia pada rentang 2013 hingga 2016. Data yang akan dihapus adalah : Pelanggan yang sudah disconnect sebelum tahun 2013 Data pada tahun 2014 hingga 2016 yang tidak tersedia pada tahun 2013 4. Analisis Korelasi Pada tahapan ini dilakukan analisis korelasi untuk mengetahui hubungan korelasi antara semua variabel dengan menggunakan nilai koefisien korelasi (r), jika nilai r suatu variabel diantara 0 dan 1 maka terjadi korelasi positif, tetapi jika nilai r diantara -1 dan 0 maka terjadi korelasi negatif. Analisis korelasi dilakukan pada data yang berasal pada tahap sebelumnya. 5. Uji Validitas dan Reliabilitas Pada tahap ini akan dilakukan uji validitas dan reliabilitas agar data yang akan digunakan pada tahap selanjutnya akan valid. Valid memiliki arti sejauh mana ketepatan dan kecermatan suatu alat ukur dalam melakukan fungsi ukurnya. Sedangkan reliabilitas merupakan data yang dapat dipercaya. Ukuran tingkat validitas adalah jika nilai signifikan < 0.05 , maka data dikatakan valid
41
Sedangkan tingkat pengukuran validitas adalah seperti berikut : Jika alpha > 0,90 maka reliabilitas sempurna Jika alpha antara 0,70 – 0,90 maka reliabilitas tinggi Jika alpha antara 0,50 – 0,70 maka reliabilitas moderat Jika alpha < 0,50 maka reliabilitas rendah 6. Analisis Multikolineritas Analisis multikolinieritas digunakan untuk mengetahui hubungan linier sempurna yang terjadi antar variabel, hubungan linier sempurna menunjukkan adanya kesamaan data antara variabel-variabel tertentu yang terdeteksi memiliki kolinieritas Tes multikolinieritas hanya dilakukan pada data pelanggan yang telah melewati analisis pencilan, karena data yang digunakan pada tahapan selanjutnya hanyalah data yang telah melewati analisis pencilan. Analisis multikolinieritas dilakukan untuk menemukan hubungan linier sempurna antara 2 variabel bebas atau lebih dengan 1 varabel terikat. Jika terjadi multikolinieritas maka nilai standard error tinggi, interval confidence (interval keyakinan) untuk koefisien cenderung lebar dan t cenderung sangat kecil. Koefisien harus lebih besar agar signifikan secara statistik, akan sulit menolak null jika terjadi multikolinieritas. Standard error yang besar dapat diakibatkan oleh hal selain multikolinieritas (Kariyam, 2000). Penilaian dibagi menjadi dua, yaitu berdasarkan nilai tolerance dan nilai VIF. Jika nilai tolerance lebih besar dari 0.10 dan / atau nilai VIF lebih kecil dari 10.00, maka tidak terjadi multikolinieritas 4.3
Analisa Customer Churn Pada tahap ini merupakan tahap yang memproses hasil dari tahap
sebelumnya. Pada tahap ini akan di bagi menjadi beberapa tahap yaitu pembuatan arsitektur, pelatihan, dan uji coba. 4.3.1
Pembuatan Arsitektur Neural Network merupakan jaringan syaraf tiruan yang memiliki 3 lapisan,
yaitu lapisan input, lapisan tersembuyi (hidden layer), dan lapisan output. Lapisan 42
input memiliki jumlah nodes yang berasal dari variabel-variabel yang dihasilkan pada tahap pengumpulan data. Hasil dari tahap ini berupa bentuk arsitektur neural network dengan tiga lapisan dan memiliki output berupa presentase yang memiliki nilai 0 hingga 100. Untuk penentuan jumlah nodes pada lapisan tersembunyi dalam penelitian ini menggunakan teori Geometric Pyramid Rule dengan rumus sebagai berikut : ( )
√
dimana n adalah jumlah nodes yang terdapat pada lapisan input dan m adalah jumlah node pada lapisan output. Pada penelitian ini lapisan output memiliki jumlah nodes sebanyak 1 nodes. Fungsi aktivasi yang digunakan adalah sigmoid biner yang memliki nilai hasil antara 0 hingga 1. Selain itu neural network menggunakan model backpropagation. 4.3.2
Pelatihan Neural Network Hasil dari tahap sebelumnya yang merupakan pembuatan arsitektur neural
network harus dilatih terlebih dahulu agar mendapatkan hasil yang lebih baik pada saat uji coba. Data yang digunakan untuk pelatihan menggunakan data tahun 2013 hingga tahun 2015. Hasil dari pelatihan ini berupa bobot dari masing-masing variabel setelah tingkat kesalahan yang rendah 4.3.3
Uji Coba Neural Network Setelah pelatihan neural network pada tahap sebelumnya, maka akan
dilakukan uji coba menggunakan data yang disiapkan untuk uji coba berupa data tahun 2016. Data hasil uji coba yang dimasukan kedalam neural network kemudian dibandingkan dengan hasil yang sesungguhnya. Pengecekan hasil uji coba menggunakan metode Root Mean Square Error (RMSE) dengan rumus sebagai berikut :
√ ∑(
43
̌)
pengukuran penilaian tingkat kesalahan berdasarkan dengan penelitian. Pada tahap ini yang menjadi independent variabel adalah status yang bersifat biner. Maka penilaian tingkat eror adalah 0 hingga 1. Eror yang semakin sedikit akan membuat perhitungan memiliki tingkat akurasi yang tinggi. 4.4
Perencanaan Strategi Divisi Customer Relationship Management Berdasarkan hasil output yang diberikan dari neural network, maka akan
diketahui faktor apa saja yang mempengaruhi pelanggan untuk melakukan churn berdasarkan bobot dari masing-masing variabel. Divisi CRM akan menentukan strategi yang tepat berdasarkan faktor atau variabel yang memiliki bobot tertinggi agar pelanggan tersebut tidak melakukan churn. Penentuan strategi berdasarkan studi literatur jurnal atau paper pada bidang marketing yang memiliki kasus sama dengan faktor yang muncul.
44
BAB 5 HASIL DAN PEMBAHASAN Pada bab ini akan dibahas mengenai proses-proses penelitian yang telah dilakukan berdasarkan bab sebelumnya. Proses tersebut meliputi studi literatur, pengumpulan data, analisa customer churn, dan penentuan rencana dari divisi Customer Relationship Management berdasarkan hasil analisa. 5.1
Studi Literatur Pada tahap ini merupakan tahap analisa studi literature mengenai penelitian
yang sudah dilakukan dahulu. Hasil pada tahap ini adalah berupa variabel dari penelitian yang sebelumnya. Hal tersebut dapat dilihat pada penelitian yang dibuat oleh Kisiouglu & Topcu (2011) menyimpulkan terdapat 9 variabel dalam prediksi churn yang dilakukan pada industri telekomunikasi, yaitu lokasi atau letak geografis, umur, tipe tarif, lama berlangganan, tren penggunaan biling, penggunaan billing perbulan, frekuensi penggunaan, lama penggunaan, dan churn. Variabel yang digunakan pada perusahaan adalah lama berlangganan, pembayaran perbulan, jenis paket, jumlah keluhan pelanggan, bonus atau restitusi yang diberikan kepada pelanggan, dan form survey berhenti berlangganan. Selain itu metode yang sesuai untuk penelitian ini adalah metode neural network. Hal tersebut berdasarkan Hung dkk (2006) meneliti tingkat churn dari pelanggan pada industri telekomunikasi di Taiwan, menyimpulkan bahwa jaringan syaraf tiruan menghasilkan output prediksi yang lebih baik daripada decision tree. 5.2
Pengumpulan Data Pada tahap ini dilakukannya proses pengambilan data pada masing-masing
divisi berdasarkan variabel-variabel yang sudah ditentukan pada tahap sebelumnya. Proses pengumpulan data meliputi penyalinan dokumen, rekap dokumen, analisis pencilan (outlier), analisis korelasi, uji validitas dan realibilitas, dan analisis multikolineritas
45
5.2.1
Penyalinan Dokumen Pada tahap ini merupakan proses pengambilan data dari sistem internal dan
di salin ke bentuk dokumen yang berformat excel. Berikut daftar dokumen dari setiap variabel : 1. Paket Layanan dan Umur pelanggan Data dari paket layanan yang dibeli oleh pelanggan dimiliki oleh seorang product manager. Berikut contoh hasil data paket layanan pelanggan pada tabel 5.1 : Table 5.1 Paket Pelanggan
Selain itu terdapat kolom yang bernama BAO (Berita Acara Operasional) yang menjadi ukuran awal lama berlangganan dari pelanggan tersebut. 2. Pembayaran Data mengenai pembayaran yang dilakukan oleh pelanggan dimiliki oleh divisi billing. Berikut hasil data pembayaran oleh pelanggan dapat dilihat pada tabel 5.2. Pada tabel 5.2 merupakan contoh potongan data tagihan yang dibayar oleh pelanggan tiap bulan pada tahun 2013 mulai bulan januari hingga juni. Dalam data tersebut juga terdapat paket yang diambil oleh pelanggan tersebut
46
Table 5.2 Billing
3. Keluhan Data mengenai daftar keluhan pelanggan dimiliki oleh divisi Technical Support. Berikut hasil data mengenai daftar keluhan pelanggan dapat dilihat pada gambar 5.1 :
Gambar 5.1 merupakan daftar keluhan dari pelanggan yang tersimpan pada sistem. Bentuk data tersebut akan diexport kedalam bentuk excel. Hasil export dapat dilihat pada tabel 5.3.
47
Pada tabel 5.3 dijelaskan bahwa tiap keluhan memiliki tingkat prioritas yang ditunjukan pada kolom prioritas. Kolom subject merupakan detail singkat mengenai keluhan apa yand dialami oleh pelanggan. Sedangkan assignee merupakan divisi apa yang ditugaskan untuk mengatasi keluhan dari pelanggan.
Table 5.3 Keluhan pelanggan
4. Bonus Data mengenai bonus yang diberikan oleh pelanggan dari perusahaan dimiliki oleh divisi CRM. Bonus yang diberikan setiap bulan ke 13 dengan nominal yang mendekati jumlah tagihan biaya dari pelanggan akan tetapi bonus tersebut tidak mengikat aturan. Berikut hasil data mengenai bonus yang diberikan kepada pelanggan dapat dilihat pada tabel 5.4: Table 5.4 Bonus Pelanggan
48
5. Form Survey Berhenti Berlangganan Data mengenai hasil form survey yang diberikan kepada pelanggan setelah melakukan pemutusan langganan dimiliki oleh divisi CRM. Berikut hasil data mengenai hasil form survey berhenti berlangganan dapat dilihat pada tabel 5.5 : Table 5.5 Hasil Survei jawaban
5.2.2
Rekap Dokumen Pada tahap ini merupakan proses dilakukannya pengecekan data-data yang
sudah di salin kedalam bentuk excel pada tahap sebelumnya. Data yang diambil adalah data pelanggan yang terdapat pada tahun 2013 hingga tahun 2016. Setiap data yang kosong akan dihapus agar menjamin tingkat keakuratan. Proses rekap dari masing-masing data adalah sebagai berikut : 1. Paket Layanan Data pengguna paket layanan yang sudah disalin, perlu dibuat pengkodean agar lebih mudah untuk diproses. Pengkodean jenis paket adalah sebagai berikut : Table 5.6 Kode Paket Layanan
Nama Paket Layanan
Kode
Platinum
1
Corporate
2
IIX
3
Local Loop
4
49
2. Pembayaran Dari data salinan pembayaran oleh pelanggan masih berupa data setiap bulan. Data setiap bulan tersebut akan di jumlahkan mulai Januari hingga Desember. Hasil rekap data pembayaran pada tabel 5.7 adalah sebagai berikut : Table 5.7 Rekap Pembayaran
3. Keluhan Pelanggan Data mengenai keluhan pelanggan saat ini masih gabung antara status yang tinggi, normal, dan rendah dari masing-masing pelanggan. Data akan di rekap menjadi setiap pelanggan akan memiliki jumlah keluhan berdasarkan tingkat prioritas dalam satu tahun yang pernah dibuat. Hasil rekap data keluhan pelanggan pada tabel 5.8 adalah sebagai berikut :
50
Table 5.8 Rekap Keluhan Pelanggan
4. Umur Berlangganan Hasil salinaan dokumen mengenai umur pelanggan perlu direkap agar menjadi jumlah tahun mulai ditanda tangani BAO hingga tahun tersebut. BAO bersifat kontrak minimal 1tahun. Oleh karena itu umur dari pelanggan dilakukan pembulatan keatas. Dalam hasil ini yang menjadi contoh adalah tahun 2013. Berikut hasil rekap umur pada tabel 5.9 adalah sebagai berikut: Table 5.9 Rekap Umur Pelanggan
5. Form Survei Berlangganan Hasil dari form survey berhenti berlangganan akan direkap agar mempermudah pemrosesan pada tahap setelah ini. Jawaban dari masing51
masing pertanyaan akan dilakukan pengkodean. Daftar kode berdasarkan pertanyaan adalah sebagai berikut : Kode jawaban dari pertanyaan “Alasan yang membuat Anda tidak melanjutkan layanan berkaitan dengan ?”. Table 5.10 Kode Jawaban Survei 1
Jawaban
Kode
Kualitas Produk
1
Harga
2
Infrastruktur
3
Kebijakan Perusahaan
4
Layanan Purna Jual
5
Kode jawaban dari pertanyaan “Secara keseluruhan, Bagaimana Anda menilai pengalaman menggunakan layanan?” Table 5.11 Kode Jawaban Survei 2
Jawaban
Kode
Sangat tidak memuaskan
1
Tidak memuaskan
2
Memuaskan
3
Sangat memuaskan
4
Kode jawaban dari pertanyaan “Jika Anda membutuhkan layanan internet, Apakah Anda akan kembali mempertimbangkan layanan kami ?”
52
Table 5.12 Kode Jawaban Survei 3
Jawaban
Kode
Sangat tidak mungkin
1
Tidak mungkin
2
Mungkin
3
Sangat mungkin
4
Kode
jawaban
dari
pertanyaan
“Apakah
Anda
akan
merekomendasikan layanan kami ?” Table 5.13 Kode Jawaban Survei 4
Jawaban
Kode
Ya
1
Tidak
2
Berdasarkan pengkodean yang telah dijelaskan diatas, maka bentuk rekap hasil survey berhenti berlangganan pada tabel 5.14 adalah sebagai berikut : Table 5.14 Rekap Survei Berhenti Berlangganan
Setelah data lengkap maka akan dilakukan tahap penggabungan dari masingmasing tabel berdasarkan nama pelanggan agar lebih mudah untuk diproses pada tahap selanjutnya. Hasil penggabungan dari masing-masing tabel 5.15. setelah itu data paket dan status akan dirubah menjadi kode angka sesuai dengan pengkodean yang sudah dilakukan pada tahap sebelumnya.
53
Table 5.15 Penggabungan Data
Cust_id
28110304 212082101 99080401 213112301 213050604 33020701 212050701 211051901 212011801 28060202 210032901 212051402 211110201 29032701 28070101
status Active Disconnect Disconnect Disconnect Active Disconnect Disconnect Active Disconnect Active Disconnect Disconnect Active Active Disconnect
Status Code 1 0 0 0 1 0 0 1 0 1 0 0 1 1 0
Total 5,000,000 12,000,000 2,580,000 9,750,000 240,900,000 4,800,000 118,416,423 64,500,000 57,822,581 42,600,000 12,000,000 24,290,323 4,800,000 68,314,047 64,220,000
Package Category IIX Local Loop Local Loop Corporate Platinum Corporate Corporate Platinum Corporate Platinum Corporate Platinum Corporate Corporate IIX
Pack. Code 3 4 4 2 1 2 2 1 2 1 2 1 2 2 3
54
Tinggi 0 0 1 0 0 1 0 0 0 0 0 1 0 0 0
Normal 2 8 4 6 3 1 3 6 8 3 2 4 4 2 1
Rendah 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0
year 1 2 1 3 2 4 4 3 2 6 2 1 3 5 6
bonus 2,500,000 1,000,000 215,000 6,500,000 3,500,000 400,000 7,500,000 5,000,000 2,500,000 3,500,000 1,000,000 2,000,000 400,000 3,000,000 5,000,000
s1
s2
s3
s4
2 1 3
2 3 3
3 2 3
1 2 1
4 1
3 2
3 2
1 2
5
2
3
1
3 4
3 3
3 3
1 1
2
2
3
1
5.2.3
Pembersihan Data Pada tahap ini merupakan penghapusan data-data yang tidak berguna pada
penelitian. Data yang tidak terpakai dan akan dihapus berdasarkan pada bab sebelumnya. Berikut contoh data yang akan dihapus : Table 5.16 Data yang akan dihapus
Pada tabel 5.16 merupakan contoh potongan data dari billing yang mencata pembayaran perbulan. Data tersebut akan dihapus karena setiap bulannya masih tercatat walaupun tahun sebelumnya tidak termasuk dan nilainya 0. Data tersebut perlu untuk dihapus karena tidak berdampak pada tahap selanjutnya. 5.2.4
Analisis Korelasi Data yang digunakan adalah penggabungan data dengan rentang waktu
2013 hingga 2016. Kolom yang dianggap sebagai variabel adalah semua kolom pada data kecuali nama pelanggan, dan ID pelanggan karena bukan termasuk pada penelitian. Untuk menghitung korelasi antar variabel diperlukan software statistic, karena nilai korelasi yang diperlukan adalah nilai korelasi antar semua variabel. Hasil analisa korelasi antar variabel dapat dilihat pada tabel 5.17. pada tabel 5.17 dijelaskan bahwa hubungan antar variabel yang memiliki nilai signifikan < 0.05 memiliki hubungan yang signifikan. Selain itu tanda (**) merupakan hubungan yang signifikan, jika satu variabel meningkat variabel kedua juga ikut meningkat.
55
56
5.2.5
Uji Validitas dan Realibilitas Pada tahap ini data akan di uji validitas dan realibilitasnya. Uji validitas
menggunakan simulasi regresi dan realibilitas menggunakan Cronbach Alpha menggunakan software statistic. Hasil dari masing-masing pengujian dapat dilihat pada tabel 5.18 dan 5.19: Table 5.18 Hasil Uji Reliabilitas
Table 5.19 Hasil Uji Validitas
57
Berdasarkan tabel 5.18 hasil dari uji reliabilitas meghasilkan nilai Cronbach alpha sebesar 0.862. hasil tersebut menyimpulkan bahwa hasil cukup reliable atau tingkat yang tinggi. Sedangkan pada tabel 5.19 merupakan potongan hasil uji korelasi dengan menambahkan variabel total_validitas. Dari hasil tersebut nilai signifikan masing-masing variabel berada pada < 0.05 yang berarti memeiliki tingkat validitas yang sesuai. 5.2.6
Analisis Multikolineritas Jika terjadi multikolinieritas maka nilai standard error tinggi, interval
confidence (interval keyakinan) untuk koefisien cenderung lebar dan t cenderung sangat kecil. Koefisien harus lebih besar agar signifikan secara statistik, akan sulit menolak null jika terjadi multikolinieritas. Standard error yang besar dapat diakibatkan oleh hal selain multikolinieritas (Kariyam, 2000). Hasil tes multikolineritas dapat dilihat pada tabel 5.20 : Table 5.20 Hasil Tes Multikolinieritas
Berdasarkan hasil tes menunjukan bahwa tidak terjadi multikolinieritas berdasarkan penilaian kateogir pada bab sebelumnya yaitu nilai tolerance yang lebih besar dari pada 0,10 dan nilai VIF berada pada lebih kecil daripada 10,00.
58
5.3
Analisa Customer Churn Pada tahap ini merupakan hasil proses analisa customer churn menggunakan
metode neural network. Proses analisa terdapat beberapa langkah meliputi pembentukan jaringan, pelatihan dan uji coba jaringan. 5.3.1 Pembuatan Arsitektur Jaringan Untuk bentuk jaringan terdiri dari 11 input nodes pada lapisan input, 4 nodes untuk lapisan tersembunyi, dan memiliki 1 node untuk lapisan output. Pembentukan node pada lapisan tersebunyi berdasarkan aturan Geometric Pyramid Rule. Bentuk arsitektur jaringan dapat dilihat pada gambar 5.2 berikut :
Gambar 5.2 Arsitektur Neural Network
59
5.3.2
Pelatihan dan Uji Coba Neural Network
Pada saat jaringan sudah dibuat maka dilanjutkan pada tahap pelatihan dan uji coba pada jaringan tersebut. Pelatihan dan pengujian menggunakan penggabungan data dengan rentang waktu 2013 hingga 2016 dengan presentase 80% untuk pelatihan dan 20% untuk pengujian. Hasil pelatihan dan pengujian dapat dilihat sebagai berikut : Table 5.21 Case Processing Summary
Table 5.22 Network Information
Pada tabel 5.21 merupakan hasil pelatihan dengan 80.5% dan uji coba menggunakan 19.5% untuk uji coba. Data yang tidak bisa dipakai untuk pelatihan 60
dan pengujian sebanyak 5 data. Pada tabel 5.22 merupakan informasi mengenai jaringan neural network meliputi variabel, fungsi aktivasi, hingga pengecekan eror. Hasil dari neural network dapat dilihat pada gambar 5.3 sebagai berikut :
Gambar 5.3 Hasil Neural Network
61
Pada gambar 5.3 tergambar hubungan antara nodes pada setiap lapisan. Garis penghubung yang berwarna tebal menunjukan hubungan yang negatif . Setiap penghubung nodes memiliki bobot. Bobot-bobot tersebut dapat dilihat pada tabel berikut: Table 5.23 Bobot Variabel
Berdasarkan tabel 5.23 maka dapat dilihat pada kolom output layer dan baris hidden layer terdapat bobot dari masing-masing variabel. Bobot yang terbesar dari nilai negative dan positif akan diambil sebagai acuan, yaitu hidden layer H(1:2) dan H(1:3). Pada baris input layer akan diambil kolom yang sesuai dengan acuan hidden layer. Berdasarkan kolom hidden layer maka akan dapat diketahui bobot yang terbesar cari masing-masing variabel. Variabel yang sangat berpengaruh adalah hasil survey 1 hingga 4 berdasarkan hidden layer H(1:3), terutama hasil survey nomor 3.
62
Table 5.24 Ringkasan Model
Pada tabel 5.24 dijelaskan bahwa kesalahan atau jumlah error pada saat pelatihan menghasil sejumlah 0.014. Untuk dapat mengetahui tingkat akurasi dari model neural network, maka perlu dihitung dengan rumus RMSE sebagai berikut :
√
dari perhitungan maka akan diperoleh tingkat kesalahan sebesar 0.00098. Maka tingkat akurasi dari model neural network adalah sebesar 99.99%. Contoh sample hasil uji coba antara model neural network dengan data nyata pada tabel 5.25 sebagai berikut : Table 5.25 Hasil Uji Coba
63
5.4
Perencanaan Strategi Divisi Customer Relationship Management Berdasarkan hasil analisa customer churn maka diperoleh variabel yang
sangat berpengaruh pelanggan untuk melakukan churn yaitu hasil survey form berhenti berlangganan. Maka agar dapat mengurangi pelanggan yang churn maka perlu pembenahan dalam perusahaan hingga strategi CRM kepada pelanggan. Berikut strategi dari hasil survey 1 hingga 3 : 1. Variabel survey 1 Hasil survey 1 merupakan hasil dari hal-hal yang menyebabkan pelanggan berhenti berdasarkan faktor internal perusahaan meliputi kualitas produk, harga, infrastruktur hingga layanan purna jual (after sales). Sedangkan kebijakan perusahaan merupakan faktor dari pelanggan yang tidak bisa dikontrol oleh perusahaan ISP xyz. 2. Variabel survey 2 Survey 2 merupakan pembahasan tentang pengalaman pelanggan kepada perusahaan. Untuk meningkatkan pengalaman pelanggan, maka perlu peningkatan dengan customer experience. Salah satu peningkatan customer experience dengan cara pelayanan customer support dengan mudah selain hanya menggunakan noor telepon hotline atau support. 3. Variabel survey 3 Hasil survey 3 merupakan pertimbangan pelanggan untuk kembali menggunakan ISP xyz. Hal ini akan berpeluang lebih besar jika customer experience dari pelanggan terus meningkat dan bagus. Jika suatu saat pelanggan tersebut tidak mendapatkan pelayanan pada ISP baru, maka masih ada peluang untuk pelanggan tersebut kembali. Konsep dari “customer experience” berasal dari buku “Experience Economy” oleh Pine and Gilmore pada 1999. Penulis menjelaskan bahwa pengalaman merupakan sesuatu yang berpeluang untuk mendatangkan keuntungan lagi setelah produk dijual. Customer experience di definisikan sebagai interaksi pelanggan dengan produk dari perusahaan yang menstimulus beberapa reaksi (LaSalle and Britton, 2003; Shaw and Ivens, 2005). 64
Berdasarkan survey dari Bloomberg business week, menemukan bahwa membuat customer experience telah menjadi strategi utama bagi perusahaan. Menurut Gentile et al. (2007) terdapat 4 strategi untuk meningkatkan customer experience antara lain : 1. Memiliki visi customer oriented Langkah pertama dalam strategi meningkatkan customer experience dimulai dengan perubahan pola pikir atau visi menjadi pelayanan yang berfokus pada pelanggan. Setiap pegawai yang melayani pelanggan harus melayani dengan sepenuh hati. 2. Mengerti pelanggan Anda Setiap pelanggan memiliki latar belakang yang berbeda-beda. Setiap pelanggan pasti berhubungan dengan divisi support dan CRM dalam menyampaikan keluhan atau feedback. Divisi yang terkait diwajibkan untuk mengerti siapa pelanggan tersebut dengan menambahkan nama alias yang memudahkan untuk menghafalkan pelanggan tersebut sehingga pelayanan semakin lebih baik. 3. Membuat hubungan yang emosional Menjalin hubungan dengan pelanggan, tidak hanya harus berhubungan dengan perusahaan, misalnya tagihan bulanan, dan sebagainya. Divisi CRM tetap menjalin hubungan komunikasi walaupun tidak ada kendala terhadap pelanggan tersebut, semisal mengucapkan selamat ulang tahun ketika pelanggan tersebut merayakan ulang tahunnya. Dari bentuk komunikasi tersebut, maka pelanggan akan merasa perusahaan merupakan “teman” yang baik bagi pelanggan tersebut. Pelanggan akan menjadi loyal karena hubungan emosional tersebut. Dengan semakin loyalnya pelanggan tersebut maka perusahaan dapat menawarkan beberapa produk baru dengan mudah terhadap pelanggan tersebut.
65
4. Merespons feedback secara real time Respon dari pelanggan kepada perusahaan, harus di respon balik secara cepat. Karena jika terlalu lama merespon, maka pelanggan akan merasa keluhan yang dibuatnya tidak dihiraukan. Dengan merespon secara cepat maka pelanggan akan merasa sangat diperhatikan dan percaya bahwa keluhan dari pelanggan akan segera diproses.
66
BAB 6 KESIMPULAN DAN SARAN
Berdasarkan penelitian yang telah dilakukan, maka dapat disimpulkan beberapa hal sebagai berikut: Penggunaan Bacpropagation neural network untuk melakukan prediksi pada topik yang diangkat sangat akurat dengan memiliki tingkat akurasi hingga 99.99%. Dari penelitian dapat disimpulkan bahwa faktor yang secara signifikan mempengaruhi pelanggan untuk melakukan churn adalah sebagai berikut : o Survei 1 berhubungan dengan jenis layanan yang membuat pelanggan tersebut berhenti o Survei 2 yang membahas tentang pengalaman pelanggan selama menggunakan layanan ISP xyz o Survei 3 yang membahas tentang peluang pelanggan yang churn tersebut untuk kembali lagi menjadi pelanggan ISP xyz Rencana yang digunakan untuk mengurangi tingkat churn dari pelanggan adalah dengan meningkatkan customer experience dari pelanggan terhadap perusahaan Untuk penelitian lebih lanjut, ada beberapa saran dari penulis antara lain sebagai berikut : Untuk data yang digunakan dalam penelitian selanjutnya, menggunakan data dari perusahaan lain yang sejenis. Hal tersebut dikarenakan agar hasil yang hasilkan dari analisa menjadi persamaan yang berlaku secara umum. Data pada penelitian ini hanya rentang waktu 5 tahun, oleh karena itu rentang waktu dan jumlah data menggunakan yang lebih besar untuk meningkatkan akurasi
67
(Halaman ini sengaja dikosongkan)
68
DAFTAR PUSTAKA Kusumadewi. (2003). Artifical Intellegence (Teknik dan Aplikasinya). yogyakarta: graha ilmu. Hung, S. D. (2006). Applying Data Mining To Telecom Churn Management, Science Direct, Expert Systems with applications, volume 31, 515-524. . Hadden, J. T. (2005). Computer Assisted Customer Churn Management: State Of The Art And Future Trends, Science Direct, Computer & Operations Research, Volume 34, 2902 – 2917 . Richeldi, M. P. (n.d.). Retrieved september 2016, from http://www-ai.cs.unidortmund.de/PublicPublicationFiles/richeldi_perrucci_ 2002b.pdf Khan, A. J. (2010). Applying Data Mining to Customer Churn Prediction in an Internet Service Provider, International Journal of Computer Applications, Volume 9 - No. 7 . McPhilips, E. (1999). The Structure And Trends Of The ISP Market, University Of Strathclyde, Glasgow And Helett-Packard Laboratories, Bristol . Liao, T. d. (2007). Recent Advances in Data Mining of Enterprise Data: Algorithms and Applications, World Scientific, Singapore, pp. 1- 109 . Gursoy, U. (2010). Customer Churn Analysis In Telecommunication sector, Istanbul University Journal of the School of Business Administration , Vol 39, No 1, 35 – 49, ISSN: 1303-1732. . Kriegerl, H. S. (2008). Angle-Based Outlier Detection In High-Dimensional Data, Proc. Of The 14th ACM SIGKDD International 156 Conference On Knowledge Discovery & Data Mining (KDD’08), 444 – 452, . Las Vegas. Huang, B. K. (2012). Customer Churn Prediction In Telecommunications, Science Direct, Expert Systems with Application, volume 39, 1414-1425. . Oseman, K. S. (2010). Data Mining In Churn Analysis Model For Telecommunication Industry, Journal Of Statistical Modeling And Analytics, Vol 1 No. 19-17. .
69
(Halaman ini sengaja dikosongkan)
70
LAMPIRAN
71
(Halaman ini sengaja dikosongkan)
72
BIOGRAFI PENULIS Nama
: Ali Reza Yudhistira S.Kom.
Tempat Tanggal Lahir : Surabaya, 28 Juli 1991 Jenis Kelamin
: Pria
Email
:
[email protected]
Riwayat Pendidikan : S1 (2009 – 2013) : Teknik Informatika, Univarsitas Surabaya SMA (2007 – 2009) : SMAN 2 Sidoarjo Pengalaman Kerja : 2013 – 2017 : IT Officer di ISP xyz
73
