BAB 2 LANDASAN TEORI

7

BAB 2 LANDASAN TEORI

2.1 Data Data adalah sebuah representasi penyimpanan dari obyek-obyek dan kejadian-kejadian yang berarti dan penting di lingkungan pemakai. (Hoffer, Prescott, dan McFadden, 2005, hal5). Data merupakan sesuatu yang belum mempunyai arti bagi penerimanya dan masih memerlukan adanya suatu pengolahan. Data bisa berwujud suatu keadaan, gambar, suara, huruf, angka, matematika, bahasa ataupun simbol-simbol lainnya yang bisa kita gunakan sebagai bahan untuk melihat lingkungan, obyek, kejadian ataupun suatu konsep. (http://kuliah.dinus.ac.id). Data adalah bentuk jamak dari datum, berasal dari bahasa Latin yang berarti "sesuatu yang diberikan". Dalam penggunaan sehari-hari data berarti suatu pernyataan yang diterima secara apa adanya. Pernyataan ini adalah hasil pengukuran atau pengamatan suatu variabel yang bentuknya dapat berupa angka, kata-kata, atau citra. (http://id.wikipedia.org) Menurut Hoffer, Prescott, dan McFadden (Hoffer, Prescott, dan McFadden, 2005, hal5), informasi adalah data yang telah diproses melalui beberapa cara untuk meningkatkan pengetahuan dari orang yang menggunakan data. Informasi merupakan hasil pengolahan dari sebuah model, formasi, organisasi, ataupun suatu perubahan bentuk dari data yang memiliki nilai tertentu, dan bisa digunakan untuk menambah pengetahuan bagi yang menerimanya. Dalam hal ini, data bisa dianggap sebagai obyek dan informasi adalah suatu subyek yang bermanfaat bagi penerimanya. Informasi juga bisa disebut sebagai hasil pengolahan ataupun pemrosesan data. (http://kuliah.dinus.ac.id)

8 2.2 Database dan DBMS (Database Management System ) 2.2.1

Definisi Database

Menurut Conolly dan Begg (Conolly dan Begg 2005, hal15), database merupakan suatu kumpulan data logikal yang terhubung satu sama lain dan mendeskripsikan suatu data yang dirancang sebagai informasi yang dibutuhkan oleh organisasi, sedangkan menurut McLeod dan Schell (McLeod dan Schell 2004, hal196), database adalah kumpulan seluruh sumber data berbasis komputer milik organisasi. Database yang dikendalikan oleh sebuah sistem manajemen adalah satu set catatan data yang berhubungan dan saling menjelaskan. Database adalah kumpulan informasi yang disimpan di dalam komputer secara sistematis sehingga dapat diperiksa menggunakan suatu program komputer untuk memperoleh informasi dari database tersebut. Perangkat lunak yang digunakan untuk mengelola dan memanggil query basis data disebut sistem manajemen basis data (Database Management System/DBMS). Database system dipelajari dalam ilmu informasi. (http ://id.wikipedia.org) Dari teori-teori di atas dapat disimpulkan bahwa sistem database adalah sekelompok elemen yang berupa data, saling terintegrasi dan berhubungan untuk mencapai tujuan tertentu.

2.2.2

Definisi DBMS ( Database Management System )

Conolly dan Begg (Conolly dan Begg 2005, hal16) mengemukakan bahwa DBMS adalah suatu system software yang memungkinkan user dapat mengidentifikasikan, membuat, memelihara, dan mengatur akses dari database. McLeod dan Schell (McLeod dan Schell 2004, hal196) menyimpulkan, DBMS adalah aplikasi perangkat lunak yang menyimpan struktur

database, hubungan antar-data dalam

9 database , serta berbagai formulir dan laporan yang berkaitan dengan database tersebut. Sedangkan menurut Hoffer, Prescott, dan McFadden (Hoffer, Prescott, dan McFadden 2005, hal7), DBMS merupakan sebuah system software yang digunakan untuk menciptakan, memelihara dan menyediakan akses kontrol untuk pengguna database.

2.2.3

Kelebihan DBMS (Database Management System)

Conolly dan Begg (Conolly dan Begg 2005, hal26-29) menguraikan beberapa kelebihan penggunaan DBMS, yaitu: 1. Kontrol terhadap pengulangan data 2. Data yang dihasilkan konsisten 3. Pada beberapa data yang sama akan semakin banyak informasi yang diperoleh 4. Data dapat dipakai secara bersama-sama 5. Meningkatkan integritas data 6. Meningkatkan keamanan 7. Penetapan standarisasi 8. Perbandingan skala ekonomi 9. Mengatasi konflik kebutuhan 10. Memperbaiki pengaksesan data secara bersama-sama 11. Meningkatkan produktivitas 12. Memperbaiki pemeliharaan data melalui data yang tidak tergantung dari data lain 13. Memiliki backup data dan recovery

10 2.2.4

Kekurangan DBMS (Database Management System)

Sedangkan kekurangan penggunaan DBMS menurut Conolly dan Begg (Conolly dan Begg 2005, hal29-30) adalah: 1. Memiliki sistem yang kompleks 2. Karena sistem yang kompleks mengakibatkan DBMS memiliki ukuran yang semakin besar 3. DBMS memiliki harga yang bervariasi tergantung fungsi dan kebutuhan 4. Penambahan biaya untuk perangkat keras yang dibutuhkan 5. Penambahan biaya konversi 6. Karena DBMS dirancang untuk mengakses lebih dari satu aplikasi sehingga performasinya menurun 7. Kegagalan DBMS mengakibatkan operasi tidak dapat berjalan

2.2.5

Fasilitas yang disediakan DBMS (Database Management System)

Menurut Connolly dan Begg (Connolly dan Begg 2005, hal40) DBMS menyediakan fasilitasfasilitas sebagai berikut: 1. DDL (Data Definition Language) adalah suatu bahasa yang memperbolehkan DBA (Database Administrator) atau

user untuk mendeskripsikan nama dari suatu entitas,

atribut, dan relasi data yang diminta oleh aplikasi, bersamaan dengan integritas data dan batasan keamanan datanya. 2. DML (Data Manipulation Language) adalah jenis bahasa yang memberikan user kemampuan untuk mengoperasikan dan memanipulasi data yang ada. Misalnya: insert, edit, delete dan update.

11 3. DCL (Data Control Language) adalah jenis bahasa yang memberikan Administrator user kemampuan untuk member atau mencabut hak akses user lainnya. Bahasa ini meliputi sintaks Grant dan Revoke.

2.3 Data Warehouse 2.3.1

Definisi Data Warehouse Data Warehouse merupakan istilah yang sangat akrab didengar dalam lingkungan yang

berhubungan dengan basis data. Hal ini bisa terjadi karena Data Warehouse itu sendiri merupakan suatu bentuk dari basis data yang memiliki perbedaan volume dan karakteristik yang lebih spesifik. Data Warehouse adalah kumpulan atau koleksi penyimpanan data yang menampung koleksi data perusahaan yang sudah lama dan tidak diperbaharui, dan data tersebut disimpan dalam jangka waktu yang lama (Connoly dan Begg, 2002,hal1047). Data Warehouse digunakan sebagai dasar dari sistem penunjang keputusan yang diciptakan untuk menyelesaikan masalah yang muncul pada sebuah organisasi dengan menggunakan basis data yang dihasilkan melalui OLTP. Menurut W. H. Inmon, pengertian umum dari Data Warehouse adalah sekumpulan data yang berorientasi subjek, terintegrasi, tidak mudah berubah atau konsisten, dan dikumpulkan berdasarkan variasi waktu yang dapat digunakan untuk mendukung keputusan manajemen (Connoly dan Begg, 2002,hal1047). Sedangkan menurut IBM, Data Warehouse adalah sebuah gudang informasi yang menjadi suatu solusi untuk mengakses data yang tersimpan dalam sistem dengan sifat non-relasi. Pengaksesan data dalam Data Warehouse dilakukan untuk melakukan analisa kompleks, penemuan pengetahuan dan pembuatan keputusan. Secara umum, dapat dijelaskan juga bahwa Data Warehouse adalah “sekumpulan teknologi penunjang keputusan, yang digunakan oleh

12 tenaga kerja dengan tingkat pengetahuan yang lebih tinggi, seperti eksekutif, manajer, analis, untuk membuat keputusan yang lebih baik dan lebih cepat.” Menurut McLeod dan Schell (McLeod dan Schell 2004, hal205), data warehouse adalah perkembangan dari konsep database yang menyediakan suatu sumber data, data yang lebih baik bagi para pemakai dan memungkinkan pemakai untuk memanipulasi dan menggunakan data tersebut secara intuitif. Data warehouse berukuran sangat besar, kualitas datanya tinggi, dan sangat mudah diambil datanya. Beberapa data warehouse berisi sebanyak 200 gigabyte atau 200 juta byte data, tetapi ukuran besar tidak menyebabkan kualitas data tidak bagus. Karena data cleaning yang ekstensif, penghilangan data yang salah dan data yang tidak konsisten dapat mentransformasi data menjadi data dengan kualitas yang lebih tinggi daripada yang terdapat dalam database komersial.

2.3.2

Keuntungan Data Warehouse

Sistem OLTP yang umum memiliki karakteristik jumlah pengguna yang sangat besar dan nereka dapat melakukan manipulasi terhadap data secara serentak. Tetapi penyimpanan data OLTP dalam jumlah besar bisa membebani suatu organisasi. Saat database berkembang semakin besar dengan data yang kompleks, waktu respon bisa menjadi semakin lama, karena adanya perebutan sumber-sumber daya yang tersedia. Data Warehouse merupakan pendekatan untuk menyimpan data dimana sumber-sumber data yang heterogen (yang biasa tersebar pada beberapa database OLTP) dimigrasikan ke dalam penyimpan data yang homogen. Data Warehouse menyediakan keuntungan di bawah ini untuk para pengguna dalam melakukan analisa (Jose Ramalho, 2001,hal203-206): 1.

Data diorganisir dengan baik dengan tujuan query analysis, bukan untuk pemrosesan

13 transaksi. 2.

Perbedaan di antara struktur data pada beberapa database yang heterogen bisa diatasi.

3.

Aturan untuk transformasi data diterapkan untuk memvalidasi dan mengkonsolidasi data apabila data dipindahkan dari database OLTP ke Data Warehouse.

4.

Masalah keamanan dan kinerja bisa dipecahkan tanpa perlu mengubah sistem produksi.

2.3.2.1 Pengertian OLTP (Online Transaction Processing) Menurut Connolly and Begg (Connolly and Begg 2005, hal1153), sebuah organisasi menerapkan beberapa sistem OLTP yang berbeda untuk menjalankan proses bisnis seperti kendali inventori, invoicing, dan point-of-sale. Sistem ini menghasilkan data operasional yang mendetil, up-to-date, dan dapat diubah-ubah. Data di dalam OLTP diorganisir berdasarkan kebutuhan transaksi yang berhubungan dengan aplikasi bisnis serta mendukung pengambilan keputusan operasional harian.

2.3.3

Karakteristik Data Warehouse

Dari definisi oleh Connolly dan Begg (Connolly dan Begg 2005, hal1151), karakteristik dari data warehouse yaitu: 1. Subject-oriented artinya data warehouse harus berorientasi pada subyek yaitu data warehouse dibuat berdasarkan subjek-subjek utama di dalam bisnis (seperti pelanggan, produk, dan penjualan) dibandingkan dengan area-area aplikasi utama (seperti bon pembayaran pelanggan, kontrol stok, dan produk penjualan). 2. Integrated artinya data warehouse harus terintegrasi karena sumber-sumber

data

warehouse berasal dari berbagai lingkungan bisnis dengan sistem aplikasi yang berbeda. Sumber data yang terintegrasi harus dibuat konsisten untuk menampilkan tampilan data

14 kepada user. 3. Time variant berarti data warehouse hanya akurat dan valid pada beberapa poin dalam waktu atau dalam interval waktu tertentu. 4. Non-volatile yaitu data tidak di-update dalam waktu nyata (real time) tetapi data direfresh dari sistem operasional. Data baru selalu ditambahkan sebagai sebuah suplemen ke dalam database, dibandingkan sebagai pergantian data. Database data warehouse akan selalu mengambil data baru, dan secara berkala diintegrasi dengan data yang sudah ada.

2.3.4

Perancangan Basis Data Data Warehouse

Menurut Connolly (Connoly dan Begg 2002, hal1078-1082), dalam merancang basis data sebuah Data Warehouse sangatlah kompleks. Untuk memulai proyek Data Warehouse lakukan langkahlangkah berikut: 1. Identifikasi dan kumpulkan kebutuhan pengguna. Pengidentifikasian tersebut dilakukan dengan wawancara para pengguna, mempelajari kebutuhan para pengguna dan menemukan informasi apa yang diperlukan untuk mendukung kesuksesan bisnis. 2. Tentukan sumber data mana yang akan dipakai dalam Data Warehouse. 3. Rancang data tersebut untuk menghasilkan informasi yang dapat mendukung dalam pengambilan keputusan bisnis. Komponen basis data dalam sebuah Data Warehouse digambarkan dengan menggunakan sebuah teknik yang disebut model dimensional.

2.3.5

Model Data Warehouse

Menurut Connoly dan Begg (Connoly dan Begg 2002, hal1182), setiap model data warehouse

15 (model dimensional) terdiri dari sebuah tabel dengan primary key composite yang disebut fact table, dan sebuah kumpulan tabel-tabel kecil yang disebut dimension table. Model dimensional merupakan suatu teknik desain logical yang bertujuan untuk menampilkan data dalam bentuk standar dan intuitif, yang memungkinkan akses ke performansi yang tinggi. Model dimensional untuk desain data warehouse yaitu:

1. Star schema Star schema merupakan struktur logical yang memiliki sebuah tabel fakta (fact table) yang berisi data faktual yang diletakkan di tengah (pusat), dikelilingi oleh tabel-tabel dimensi yang berisi data referensi (dimana dapat didenormalisasi).

Gambar 2. 1 : Star Schema

2. Snowflake schema Snowflake schema merupakan variasi dari star schema dimana tabel dimensi tidak mengandung data denormalisasi yang memungkinkan sebuah dimensi untuk mempunyai dimensi lagi.

16

Gambar 2.2 : Snowflake Schema

Suatu skema disebut snowflake jika satu atau lebih tabel dimensi tidak berhubungan langsung dengan tabel fakta, tetapi harus berhubungan dengan tabel dimensi lain.

2.3.5.1 Denormalisasi Denormalisasi adalah suatu prosedur yang mengelompokkan kembali normalisasi data untuk suatu susunan yang lebih spesifik dari suatu proses dengan tujuan membuat proses ini lebih efisien (Adelman, Sid dan Moss, 2000, hal244) : 1.

Untuk mengurangi jumlah hubungan yang terjadi antar tabel-tabel yang harus mengalami proses pada waktu dilakukan pencarian. Dengan inilah penampilan basis data dapat ditingkatkan.

2.

Untuk membuat struktur fisik dari basis data yang semakin mendekati model dimensi dari pemakai. Membuat struktur tabel sesuai dengan yang ingin ditanyakan oleh pemakai, memungkinkan terjadinya akses langsung, yang sekali lagi akan meningkatkan penampilan.

17 2.3.6

Data Mart

Di beberapa implementasi Data Warehouse, data mart merupakan miniatur dari Data Warehouse. Data mart merupakan suatu subset dari Data Warehouse yang dapat mendukung keperluan departemen atau fungsi bisnis (Connoly dan Begg, 2002, hal1067).

Data mart biasanya

digunakan untuk menyediakan informasi dalam suatu segmen organisasi. Beberapa karakteristik yang membedakan data mart dengan Data Warehouse antara lain: 1.

Data mart hanya difokuskan pada keperluan pengguna yang berhubungan dengan satu departemen atau satu fungsi bisnis.

2.

Data mart biasanya tidak berisi detail operasional data, berbeda dengan Data Warehouse.

3.

Data mart berisi data yang lebih sedikit dibanding dengan Data Warehouse sehingga data mart lebih mudah dimengerti dan dijalankan.

2.4 Data Mining 2.4.1

Definisi Data Mining Menurut Conolly dan Begg (Conolly dan Begg 2005, hal1233), data mining adalah suatu

proses ekstraksi atau penggalian data dan informasi yang besar, yang belum diketahui sebelumnya, namun dapat dipahami dan berguna dari database yang besar serta digunakan untuk membuat suatu keputusan bisnis yang sangat penting. Menurut Berson dan Smith (Berson dan Smith 2001, hal333) Data mining menggambarkan sebuah pengumpulan teknik-teknik dengan tujuan untuk menemukan pola-pola yang tidak diketahui pada data yang telah dikumpulkan. Data mining memungkinkan pemakai "menemukan pengetahuan" dalam database yang tidak mungkin diketahui keberadaannya oleh pemakai.

18 Beberapa pengertian data mining yang berhasil disimpulkan dari beberapa pendapat adalah sebagai berikut: 1. Secara sederhana dapat didefinisikan bahwa data mining adalah suatu proses ekstraksi dari informasi atau pola yang penting atau menarik dari data yang ada di database yang besar sehingga menjadi informasi yang sangat berharga. (http://ikc.cbn.net.id) 2. Data mining merupakan proses penemuan yang efisien sebuah pola terbaik yang dapat menghasilkan sesuatu yang bernilai dari suatu koleksi data yang sangat besar. (http://www.thearling.com) 3. Data mining adalah suatu pola yang menguntungkan dalam melakukan search pada sebuah database yang terdapat pada sebuah model. Proses ini dilakukan berulang-ulang (iterasi) hingga didapat satu set pola yang memuaskan yang dapat berfungsi sesuai yang diharapkan (http://www.db.cs.ucdavis.edu).

Berdasarkan beberapa pengertian diatas dapat ditarik kesimpulan bahwa data mining adalah suatu algoritma di dalam menggali informasi berharga yang terpendam atau tersembunyi pada suatu koleksi data (database) yang sangat besar sehingga ditemukan suatu pola yang menarik yang sebelumnya tidak diketahui dan dapat digunakan untuk meramalkan kejadian yang akan dating.

2.4.2

Fungsi Data Mining

Data mining mengidentifikasikan fakta-fakta atau kesimpulan-kesimpulan yang disarankan berdasarkan penyaringan melalui data untuk menjelajahi pola-pola atau anomali-anomali data. Menurut Turban, Rainer, dan Potter (Turban, Rainer, dan Potter 2005, hal265), data mining

19 mempunyai lima fungsi yaitu: 1.

Classification Classification yaitu menyimpulkan definisi-definisi karakteristik dari sebuah grup. Contoh: pelanggan-pelanggan perusahaan yang telah berpindah ke saingan perusahaan yang lain.

2.

Clustering Clustering yaitu mengidentifikasikan kelompok-kelompok dari barang-barang atau produk-produk yang berbagi karakteristik yang khusus (clustering berbeda dengan classification dimana pada clustering tidak terdapat definisi-definisi karakteristik awal yang diberikan pada waktu classification).

3.

Association Association yaitu mengidentifikasikan hubungan antara kejadian-kejadian yang terjadi pada suatu waktu seperti isi-isi dari keranjang belanja.

4.

Sequencing Hampir sama dengan association, sequencing mengidentifikasikan hubungan-hubungan yang berada pada suatu periode waktu tertentu seperti pelanggan-pelanggan yang mengunjungi supermarket secara berulang-ulang.

5.

Forecasting Forecasting memperkirakan nilai pada masa yang akan datang berdasarkan pola-pola dengan sekumpulan data yang besar seperti peramalan permintaan pasar.

2.4.3

Tujuan Data Mining

Tujuan dari data mining menurut Hoffer, Prescott, dan McFadden (Hoffer, Prescott, dan

20 McFadden 2005, hal482) antara lain: 1.

Explanatory Untuk menjelaskan beberapa kondisi penelitian, seperti mengapa penjualan truk pick-up meningkat di Colorado.

2.

Confirmatory Untuk mempertegas hipotesis, seperti halnya dua kali pendapatan keluarga lebih suka dipakai untuk membeli peralatan keluarga dibandingkan dengan satu kali pendapatan keluarga.

3.

Exploratory Untuk menganalisa data untuk hubungan yang baru dan tidak diharapkan, seperti halnya pola apa yang cocok untuk kasus penggelapan kartu kredit.

2.4.4

Penerapan Data Mining

Menurut Berson dan Smith (Berson dan Smith 2001, hal123), banyak perusahaan-perusahaan menggunakan data mining untuk: 1.

Correct data Pada saat proses menggabungkan basis data secara besar-besaran, banyak perusahaan menemukan data yang digabungkan tersebut tidak lengkap, dan terdiri dari informasi yang salah dan bertentangan. Dengan menggunakan teknik data mining, dapat membantu untuk mengidentifikasi dan membetulkan kesalahan dengan cara yang konsisten.

2.

Discover Knowledge Proses mencari pengetahuan bertujuan untuk menentukan dengan jelas

relationship,

pattern atau correlations yang tersembunyi dari berbagai tempat penyimpanan data di

21 dalam basis data. 3.

Visualize Data Seorang analis harus bisa merasakan sebuah informasi yang besar yang disimpan di dalam basis data. Tujuannya untuk “memanusiakan” data yang banyak dan menemukan cara yang terbaik untuk menampilkan data.

2.4.5

Metodologi Data Mining

Sebagai salah satu bagian dari sistem informasi, data mining menyediakan perencanaan dari ide hingga implementasi akhir. Komponen-komponen dari perencanaan data mining menurut Seidman (Seidman 2001, hal9) adalah sebagai berikut: 1. Analisa Masalah (Analyzing the Problem) Data asal atau data sumber harus bisa ditaksir untuk dilihat apakah data tersebut memenuhi kriteria data mining. Kualitas kelimpahan data adalah faktor utama untuk memutuskan apakah data tersebut cocok dan tersedia sebagai tambahan. Hasil yang diharapkan dari dampak data mining harus dengan hati-hati dimengerti dan dipastikan bahwa data yang diperlukan membawa informasi yang bisa diekstrak. 2. Mengekstrak dan Membersihkan data (Extracting and Cleansing The Data) Data pertama kali diekstrak dari data aslinya, seperti dari OLTP basis data, text file, Microsoft Access Database, dan bahkan dari spreadsheet, kemudian data tersebut diletakkan dalam data warehouse yang mempunyai struktur yang sesuai dengan data model secara khas. Data Transformation Services (DTS) dipakai untuk mengekstrak dan membersihkan data dari tidak konsistennya dan tidak kompatibelnya data dengan format yang sesuai.

22 3. Validitas Data (Validating The Data) Setelah data diekstrak dan dibersihkan, data diberikan latihan untuk menelusuri model yang telah kita ciptakan untuk memastikan bahwa semua data yang ada adalah data sekarang dan tetap. 4. Membuat dan melatih model (Creating and Training The Model) Ketika algoritma diterapkan pada model, struktur telah dibangun. Hal ini sangatlah penting pada saat ini untuk melihat data yang telah dibangun untuk memastikan bahwa data tersebut menyerupai fakta di dalam data sumber. 5. Melakukan Query terhadap model data (Querying the Model Data) Ketika model yang cocok telah ditetapkan, data yang telah dibuat tersedia untuk mendukung keputusan. Hal ini biasanya melibatkan penulisan front end query dengan menggunakan program aplikasi/suatu program basis data. 6. Memelihara validitas dari mining model (Maintaining The Validity of The Data Mining Model) Setelah model data mining terkumpul, lewat beberapa waktu karakteristik data awal seperti granularitas dan validitas mungkin berubah. Karena model data mining dapat terus berubah seiring perkembangan waktu.

2.4.6

Pengertian OLAP ( Online Analytical Processing )

Menurut Connolly dan Begg (Connoly dan Begg 2005, hal1205), OLAP adalah sebuah perangkat yang menggambarkan teknologi menggunakan gambaran multidimensi sejumlah data untuk menyediakan akses yang lebih cepat bagi strategi informasi dengan tujuan mempercepat analisis. Menurut McLeod dan Schell (McLeod dan Schell 2004, hal204), OLAP makin menjadi

23 fitur umum dalam perangkat lunak sistem manajemen database. Para penjual memasukkan fitur ini untuk memungkinkan analisis data yang serupa dengan tabulasi silang statistik. OLAP adalah teknologi yang memperbolehkan para user untuk menganalisa basis data yang besar untuk mendapatkan setiap informasi yang lebih spesifik. Basis data untuk sistem OLAP disusun terstruktur agar lebih efisien dalam penyimpanan data statis. Karena penyimpanan OLAP adalah multidimensi, biasanya disebut cube, yang berlawanan dengan tabel. Yang membuat OLAP unik yaitu kemampuannya untuk menyimpan kumpulan data secara hirarki. Dimensi-dimensi ini memberikan informasi secara kontekstual dalam bentuk bilangan atau perhitungan yang diteliti. OLAP (On-Line Analytical Processing) adalah suatu pernyataan yang bertolak belakang atau kontras dengan OLTP (On-Line Transaction Processing).OLAP menggambarkan sebuah kelas teknologi yang dirancang untuk analisa dan akses data secara khusus. Apalabila pada proses transaksi pada umumnya semata-mata adalah pada relational database, OLAP muncul dengan sebuah cara pandang multidimensi data. Cara pandang multimensi ini didukung oleh teknologi multidimensi database. Cara ini memberikan teknik dasar untuk kalkulasi dan analisa oleh sebuah aplikasi bisnis. (http://www.informatika.lipi.go.id ) OLAP adalah sebuah perangkat yang bagus untuk memberikan pengertian tentang bagaimana cara menghitung yang baik yang terhubung dengan dimensi. Karena perhitungan yang telah dikalkulasi terlebih dahulu, maka OLAP membuat navigasi melalui data dengan segera. Ada dua poin penting dalam data relasional dan OLAP. Pertama adalah OLAP cenderung memindahkan bagian-bagian yang kecil dari sebuah data di level manapun. Yang kedua adalah OLAP cenderung memerlukan definisi yang sukar dari struktur data, dibandingkan dengan apa yang telah dikerjakan oleh basis data relasional.OLAP memungkinkan untuk digunakan sebagai penunjang keputusan tentang tindakan apa yang akan diambil selanjutnya dan sistem OLAP juga

24 banyak dipergunakan dalam bidang bisnis untuk menghasilkan suatu keputusan yang efektif. Di dalam model data OLAP, informasi digambarkan secara konseptual seperti kubus (cube), yang terdiri dari kategori deskriptif (dimensions) dan nilai kuantitif (measures). Dimensi menggambarkan atribut dari setiap ukuran, biasanya berupa text dan mempunyai ciri-ciri tersendiri. Sedangkan measure merupakan suatu data, biasanya berupa numerik, yang menjadi tolak ukuran suatu kejadian bisnis. Empat kategori OLAP menurut Conolly dan Begg (Conolly dan Begg 2005, hal12141216) : 1. Multidimension l On-Line Analytical Processing (MOLAP) MOLAP digunakan untuk membangun cube multidimensional dari data yang disimpan dalam data warehouse. Metode ini sering dipilih jika data set awal terlalu besar sehingga pemrosesan cube dari data warehouse asli memerlukan proses batch. Alasan utama menggunakan metode ini adalah karena mekanisme penyimpanan MOLAP sangat efektif dalam me-retrieve data secara cepat. 2. Relational On-Line Analytical Processing (ROLAP) Mekanisme penyimpanan ROLAP menggunakan DBMS orisinil, seperti SQL Server 2000, untuk menyimpan agregasi dalam bentuk tabung yang kemudian dapat digunakan oleh mesin OLAP. Metode penyimpanan ini memiliki beberapa kekurangan. Struktur tabung ROLAP tidak cukup efisien bagi mesin OLAP untuk melakukan query. Ketidakefisienan itu memicu performansi yang buruk pada sistem. 3. Hybrid On-Line Analytical Processing (HOLAP) HOLAP didesain dengan mengkombinasikan keuntungan MOLAP dan ROLAP dengan menyimpan agregasi level tinggi pada cube MOLAP dan menyimpan agregasi level

25 rendah dan line item pada table relational database. Karena HOLAP membuat tabel jauh dari kompleks untuk mengatur bagian relational database, data lebih mudah dioptimasi melalui indexing. 4. Desktop On-Line Analytical Processing (DOLAP) Peningkatan kategor i yang terkenal dari OLAP adalah DOLAP (Desktop OLAP). System DOLAP menyimpan data OLAP di dalam filevberbasis klien dan mendukung proses multi dimensi menggunakan sebuah sistem multi dimensi klien. Kebutuhan-kebutuhan ekstrak data untuk DOLAP relatif kecil yang berada pada mesin klien.

2.4.7

OLAP vs Data Mining

Baik data mining maupun OLAP merupakan komponen dari Microsoft Analysis Services. Keduanya menyediakan decision support tool, namun masing- masing didesain untuk penggunaan yang berbeda. OLAP pada dasarnya didesain untuk menyimpan data dalam tabel yang ringkas untuk memfasilitasi retrieve dan navigasi data tersebut oleh end user. OLAP dapat digunakan untuk mencoba menemukan data baru, namun sejak penemuan data telah dilakukan oleh end user, dengan bantuan tool OLAP, penemuan data menjadi berantakan dan tidak kompeten. Data mining secara otomatis menemukan pola baru dan aturan yang dapat diterapkan untuk mendapatkan hasil yang akan datang. Intinya, OLAP adalah tempat penyimpanan dan mekanisme retrieval yang efisien, sedangkan data mining adalah alat untuk menemukan knowledge. Teknologi yang ada di data warehouse dan OLAP dimanfaatkan penuh untuk melakukan data mining .

26 Dapat disimpulkan bahwa teknologi data warehouse untuk melakukan OLAP, sedangkan data mining digunakan untuk melakukan information discovery yang informasinya lebih ditujukan untuk seorang Data Analyst dan Business Analyst (dengan ditambah visualisasi tentunya). Dalam prakteknya, data mining juga mengambil data dari data warehouse. Hanya saja aplikasi dari data mining lebih khusus dan lebih spesifik dibandingkan OLAP mengingat database bukan satu-satunya bidang ilmu yang mempengaruhi

data mining. Dengan memadukan teknologi

OLAP dengan data mining diharapkan pengguna dapat melakukan hal-hal yang biasa dilakukan di OLAP seperti drilling / rolling untuk melihat data lebih dalam atau lebih umum, pivoting, slicing

dan dicing. Semua hal tersebut dapat diharapkan nantinya dapat dilakukan secara

interaktif dan dilengkapi dengan visualisasi. (http://computing.edu.au).

2.4.8

Proses Data Mining

Fase-fase dimulai dari data mentah dan berakhir dengan pengetahuan atau informasi yang telah diolah yang didapatkan sebagai hasil dari tahapan-tahapan berikut : 1. Data Cleansing, juga dikenal sebagai data cleansing , ini adalah sebuah fase dimana data tidak lengkap, mengandung error dan tidak konsisten dibuang dari koleksi data, sehingga data yang telah bersih dan relevan dapat digunakan untuk diproses ulang untuk penggalian pengetahuan (discovery knowledge). 2. Data Integration, pada tahap ini terjadi integrasi data, dimana sumber-sumber data yang berulang ( multiple data), file- file yang berulang ( multiple file), dapat dikombinasikan dan digabungkan kedalam suatu sumber. 3. Data Selection, pada langkah ini, data yang relevan terhadap analisis dapat dipilih dan diterima dari koleksi data yang ada.

27 4. Data Transformation, juga dikenal sebagai data consolidation. Pada tahap ini, dimana data yang telah terpilih, ditransformasikan kedalam bentuk-bentuk yang cocok untuk prosedur penggalian (mining procedure) dengan cara melakukan normalisasi dan agregasi data 5. Data mining, tahap ini adalah tahap yang paling penting, dengan menggunakan teknikteknik yang diaplikasikan untuk mengekstrak pola-pola potensial yang berguna. 6. Pattern Evaluation, pada tahap ini, pola-pola menarik dengan jelas merepresentasikan pengetahuan telah diidentifikasi berdasarkan measure yang telah diberikan 7. Knowledge representation, ini merupakan tahap terakhir dimana pengetahuan yang telah ditemukan secara visual ditampilkan kepada user. Tahap penting ini menggunakan teknik visualisasi untuk membantu user dalam mengerti dan menginterpretasikan hasil dari data mining.

2.5 Teknik Data Mining Menurut Connolly dan Begg (Connoly dan Begg 2005, hal1233-1239), sebelum mengetahui teknik-teknik yang dapat digunakan dalam data mining , terdapat empat operasi yang dapat dihubungkan dengan data mining , yaitu: 1. Predictive modeling Predictive modeling merupakan penjelajahan manusia dalam mengadakan observasi atau penelitian untuk membentuk sebuah model dari karakteristik-karakteristik yang penting dari beberapa fenomena. Predictive modeling

dapat digunakan untuk menganalisa

database yang sudah ada untuk menentukan beberapa karakteristik esensial pada data set. Ada dua teknik yang dapat dilakukan dalam predictive modeling yaitu:

28 a. Classification Classification

digunakan untuk membuat dugaan awal tentang

class

yang

spesifik untuk setiap record dalam database dari satu set nilai class yang mungkin. b. Value Prediction Value prediction digunakan untuk memperkirakan nilai numerik yang kontinu yang terasosiasi dengan record database. Teknik ini menggunakan teknik statistik klasik dari linear regression dan nonlinear regression . 2. Database segmentation Tujuan database segmentation adalah untuk mempartisi database menjadi sejumlah segmen, cluster, atau record yang sama, dimana, record

tersebut berbagi sejumlah

properti dan karenanya record - record tersebut diharapkan homogen. 3. Link analysis Tujuan link analysis adalah untuk membuat hubungan antara record yang individual atau sekumpulan record dalam database. Aplikasi pada link analysis meliputi product affinity analysis, direct mark eting, dan stock price movement . 4. Deviation detection Teknik ini seringkali merupakan sumber dari penemuan yang benar karena teknik ini mengidentifikasi outlier yang mengekspresikan deviasi dari ekspektasi yang telah diketahui sebelumnya. Operasi ini dapat ditampilkan dengan menggunakan teknik statistik dan visualisasi. Aplikasi deviation detection misalnya pada deteksi penipuan dalam penggunaan kartu kredit dan klaim asuransi, quality control, dan defect tracing.

29 Menurut Berson dan Smith (Berson dan Smith 2001, hal336-378) dalam data mining terdapat dua tipe teknik antara lain :

2.5.1

Teknik Klasik ( Classical Technique )

2.5.1.1 Statistik Menurut McClave dan Sincich (McClave dan Sincich 2003, hal2), statistik adalah ilmu pengetahuan atau ilmiah tentang data, atau ilmu yang mempelajari tentang data. Hal ini meliputi pengumpulan,

pengklarifikasian,

perangkuman,

pengorganisasian,

penganalisaan,

dan

penterjemahan informasi tentang perhitungan atau numerik. Menurut Kvanli, Pavur, dan Keeling (Kvanli, Pavur, dan Keeling 2003, hal2), Statistik adalah ilmu yang terdiri dari peraturan-peraturan dan ketentuan-ketentuan dalam hal mengumpulkan, menjelaskan, menganalisa dan menterjemahkan data numerik. Menurut Berson dan Smith (Berson dan Smith 2001, hal291), Statistik adalah cabang ilmu matematika yang mempelajari tentang sekumpulan dan deskripsi data yang akan digunakan dalam membuat laporan tentang informasi yang penting agar seseorang dapat membuat keputusan yang berguna. Salah satu keuntungan statistik adalah menampilkan database dalam tampilan ber-level tinggi yang menyediakan informasi-informasi yang berguna tanpa perlu mengerti setiap record secara detil.

2.5.1.2 Nearest Neighbour Teknik prediksi pengelompokan dan nearest neighbour merupakan teknik tertua yang digunakan dalam data mining. Nearest neighbour merupakan teknik prediksi yang hampir sama dengan pengelompokan, untuk memperkirakan apakah nilai prediksi ada dalam satu record, mencari

30 kesamaan nilai prediktor di dalam basis data historis dan menggunakan nilai prediksi dari record yang “terdekat” untuk tidak membagi-bagikan record.

2.5.1.3 Pengelompokan (Clustering) Pengelompokan merupakan metode yang mengklasifikasikan data ke dalam kelompok-kelompok berdasarkan kriteria dari masing-masing data. Biasanya, teknik ini dipakai

Gambar 2.3 : Grafik Teknik Pengelompokkan

untuk memberikan pengguna akhir sebuah gambaran level atas dari apa yang telah terjadi di dalam basis data. Pengelompokan terkadang digunakan untuk segmentasi.

31 2.5.2

Teknik Generasi Selanjutnya ( The Next generation Technique )

2.5.2.1 Decision Tree (Pohon Keputusan) Pohon keputusan merupakan model prediktif yang dapat digambarkan seperti pohon, dimana setiap node di dalam struktur pohon tersebut mewakili sebuah pertanyaan yang digunakan untuk menggolongkan data. Struktur ini dapat digunakan untuk membantu memperkirakan kemungkinan nilai dari setiap atribut data.

Gambar 2.4 : Contoh Pohon Keputusan

Beberapa hal menarik tentang tree : Tree ini membagi data pada setiap cabangnya tanpa kehilangan data sedikitpun. Jumlah total record pada node parent sama dengan jumlah total record yang ada pada node children. Sangat mudah dimengerti bagaimana sebuah model dibangun, kebalikan dengan model dari neural network atau dari statistik standar. Mudah untuk menggunakan model ini jika kita mempunyai target pelanggan yang sepertinya tertarik dengan penawaran marketing.

32 Dari perspektif bisnis, decision tree dapat dilihat sebagai pembuatan segmentasi dari data set yang orisinil. Segmentasi ini dilakukan untuk beberapa alasan tertentu, misalnya untuk prediksi dari beberapa potong informasi yang penting. Meskipun decision tree sendiri dan algoritma yang membuat decision tree itu mungkin saja sangat kompleks, namun hasil yang ditampilkan dengan cara yang mudah dimengerti sangat membantu untuk pengguna bisnis. Decision tree seringkali dikembangkan untuk statistician untuk mengotomatisasi proses menentukan field mana dari database mereka yang benar-benar berguna atau terkorelasi dengan masalah tertentu yang sedang mereka usahakan untuk mengerti. Karena itu, algoritma decision tree cenderung mengotomatisasi seluruh proses pembuatan hipotesis dan kemudian melakukan validasi yang lebih komplit dalam cara yang lebih terintegrasi dibanding dengan teknik data mining lainnya. Decision tree biasanya digunakan untuk berbagai kebutuhan: 1. Eksplorasi Teknologi decision tree dapat digunakan untuk eksplorasi data set dan masalah bisnis. Hal ini biasanya dilakukan dengan mencari predictor dan nilai yang dipilih untuk setiap bagian / cabang dari tree tersebut. 2. Preprocessing data Teknologi ini juga dapat digunakan untuk mengolah dan memproses data yang dapat digunakan pada algoritma lain, misalnya neural network, nearest neighbour, dll. Hal itu dikarenakan algoritma lain memerlukan waktu yang relatif lama untuk dijalankan jika terdapat jumlah predictor dalam jumlah besar untuk digunakan sebagai model, sehingga teknik decision tree

biasanya digunakan pada tahap pertama

data mining

untuk

menciptakan subset yang berguna dari predictor baru kemudian hasil tersebut akan

33 dapat dimasukkan pada teknik data mining yang lain. 3. Prediksi Para analis menggunakan teknologi ini untuk membangun sebuah model prediktif yang efektif. Decision tree mempunyai beberapa keuntungan sebagai berikut (http://en.wikipedia.org): 1. Decision tree mudah dimengerti dan diinterpretasikan. Orang dapat mengerti model decision tree setelah penjelasan yang singkat. 2. Penyiapan data untuk decision tree adalah utama dan tidak dibutuhkan. Teknik lain seringkali membutuhkan normalisasi data, variabel kosong perlu dibuat, dan nilai yang kosong harus dihapus. 3. Decision tree dapat mengatasi baik data nominal maupun kategorial. Teknik lain biasanya dispesialisasi di analisis data set yang hanya mempunyai satu tipe variabel, contohnya relation rule yang hanya dapat digunakan dengan variabel nominal atau neural network yang hanya dapat digunakan dengan variabel numerik. 4. Decision tree merupakan model white box . Jika situasi yang diberikan kelihatan dalam model, penjelasan untuk kondisi tersebut dapat dengan mudah dijelaskan dengan boolean logic. Contoh black box adalah artificial neural network karena penjelasan untuk hasilnya sangat kompleks. 5. Decision tree dapat melakukan validasi terhadap model dengan menggunakan tes statistik. Hal itu akan memungkinkan untuk menghitung reliabilitas model. 6. Decision tree merupakan teknik yang kuat, dapat bekerja baik dengan data yang besar dalam waktu yang singkat. Sejumlah besar data dapat dianalisis dengan menggunakan personal computer dalam waktu yang cukup pendek yang memungkinkan pemegang

34 saham mengambil keputusan berdasarkan analisis tersebut. Karena nilai decision tree yang sangat tinggi pada banyak faktor kritis pada data mining, teknik ini dapat digunakan pada berbagai macam masalah bisnis, baik eksplorasi maupun prediksi.

2.5.2.1.1

Implementasi sederhana dari Decision Trees

Algoritma Decision Tree biasanya dibuat berdasarkan konsep dari klasifikasi. Suatu algoritma membuat suatu tree yang dapat memprediksi nilai yang berdasar kepada kolom-kolom. Maka itu setiap node dari tree menampilkan suatu kasus partikular untuk suatu kolom. Keputusan untuk menentukan di mana letak node-node tersebut ditentukan oleh algoritma. Berikut merupakan contoh training table

Tabel 2.1 : Tabel Training

Customer ID 1 2 3 4 5 6 7

Debt level

Income level

High High High Low Low Low Low

High High Low Low Low High High

Employment type

Credit risk

Self-employed Salaried Salaried Salaried Self-employed Self-employed Salaried

Bad Bad Bad Good Bad Good Good

35

Gambar 2.5 : Training Decision Tree

Kita dapat lihat bahwa faktor paling penting dari para calon peminjam uang dapat diputuskan sebagai credit risk yang good atau bad dari debt level-nya. Untuk para calon peminjam yang tidak memilki high debt level maka faktor selanjutnya yang dilihat ialah apakah ia self-employed atau salaried. Seorang calon peminjam yang self-employed mempunyai kemungkinan bad credit risk yang lebih tinggi. Ini merupakan ilustrasi singkat tentang penggunaan decision tree dalam suatu proses bisnis.

Contoh script sederhana dalam java code untuk membuat decision tree seperti di atas : class CustomerInfo{ public int customerID; public boolean hasHighDebt; public boolean hasHighIncome; public boolean isSalaried; } boolean isGoodRisk(CustomerInfo customer){ if(!customer.hasHighDebt){

36 if(customer.hasHighIncome || customer.isSalaried){ return true; } } return false; } Jalan yang ditunjukkan pada decision tree merupakan aturan yang relatif mudah untuk dimengerti oleh manusia. Berikut merupakan beberapa sistem komersial yang mengimplementasi metode decision tree : • PolyAnalyst (Megaputer Intelligence) • C5.0 (Rule Quest) • Clementine (Integral Solutions) • SIPINA (University of Lyon) • IDIS (Information Discovery)

2.5.2.2 Neural Network (Jaringan Neural) Jaringan Neural merupakan teknik model prediktif yang paling kuat. Teknik ini dapat membuat model yang sangat kompleks yang hampir tidak mungkin untuk mengerti secara benar, meskipun seorang ahli. Model ini disajikan dalam nilai numerik dengan perhitungan yang kompleks dan hasil akhir dari teknik ini juga berupa numerik dan perlu untuk diterjemahkan jika nilai prediksi aktual berupa kategori.

2.5.2.3 Rule Induction (Aturan Induksi) Aturan induksi merupakan bentuk umum dari data mining dan merupakan bentuk yang sama

37 untuk penemuan pengetahuan di dalam sistem pembelajaran unsupervised. Teknik ini dalam basis data dapat menjadi sebuah usaha besar-besaran dimana semua kemungkinan pola-pola secara sistematis keluar dari data, dan kemudian akurasi dan arti ditambahkan kedalam aturan tersebut untuk memberitahukan pengguna betapa kuat pola dan bagaimana dapat terjadi lagi.

2.6 Customer Relationship Management (CRM) 2.6.1

Definisi CRM

Menurut Kolakota dan Robinson dalam buku E-Business Roadmap for Success (Kolakota dan Robinson 1999, hal117), CRM adalah kombinasi dari proses bisnis dan teknologi untuk memperoleh informasi agar dapat memahami pelanggan-pelanggan perusahaan dari berbagai sudut pandang: siapa mereka, apa yang mereka lakukan, dan apa yang mereka suka. CRM didefinisikan sebagai suatu integrasi antara strategi penjualan, pemasaran, dan pelayanan yang tidak melihat keputusan masing-masing departemen dalam perusahaan dan bergantung pada tindakan-tindakan terkoordinasi perusahaan.

2.6.2

Mengapa CRM?

Kunci utama dalam mempertahankan stabilitas ruang lingkup pemasaran, khususnya yang bergerak dalam bidang e-commerce, saat ini adalah dengan menciptakan suatu hubungan jangka panjang dengan para pelanggan. Pelanggan ( customer ) dapat dibedakan ke dalam tiga zona: 1. Zone of defection , di mana para pelanggan merasa tidak puas akan pelayanan yang ditawarkan dan memiliki kemungkinan besar untuk berpindah ke perusahaan lain. 2. Zone of indifference, di mana para pelanggan bersikap tidak begitu pasti dan memiliki

38 tingkat kepuasan dan loyalitas terhadap perusahaan yang medium. 3. Zone of affection, di mana para pelanggan merasa puas akan pelayanan yang ditawarkan dan menempatkan loyalitas yang tinggi pada perusahaan.

Pelanggan menuntut adanya kustomisasi pelayanan yang semakin beragam seiring berjalannya waktu. Hal ini menyebabkan perusahaan-perusahaan memindahkan fokus mereka dari “mass production” ke “mass customization”. Hal yang perlu diperhatikan oleh perusahaanperusahaan e-commerce saat ini adalah tentang penerapan strategi multi-channels dengan tujuan untuk meningkatkan kepuasan dan loyalitas para pelanggan. Berdasarkan hasil studi IT Consulting Firm Aberdeen,

perusahaan-perusahaan yang

mengimplentasikan CRM dan mengubah bisnis mereka menjadi e-business

memiliki

kemungkinan yang lebih besar dalam menarik perhatian para pelanggan. Pengorganisasian bisnis untuk memuaskan para pelanggan seperti pada pengimplemtasian CRM menuntut adanya pengorganisasian atau penyederhanaan fungsi-fungsi internal dalam suatu perusahaan. Dengan CRM, suatu perusahaan dapat mengurangi alur kerja, cycle time, dan alur informasi tentang pelanggan yang tidak penting dapat dieliminasi.

2.6.3

Tujuan dan Manfaat CRM

Tujuan CRM adalah untuk mengoptimalkan keuntungan perusahaan dengan membuat perusahaan lebih efisien dalam menggunakan sumber daya yang ada untuk melayani pelanggan yang diinginkan dan memelihara hubungan dengan pelanggan. (Kalakota dan Robinson, 1999, hal117). Pendapat lain tentang tujuan diterapkannya konsep CRM adalah (Seybold, Maret 2002, hal5):

39 1. Mendapatkan pelanggan baru (Acquire) Memulai hal baru merupakan pengalaman yang penting bagi pelanggan. Perusahaan dapat melakukan promosi dengan memasang iklan pada beberapa media massa juga pemberian potongan harga untuk menarik pelanggan baru. 2. Mempertahankan pelanggan untuk selamanya (Retain) Fokus pada kemampuan untuk mengadaptasi pada pelayanan apa yang diperlukan dan sesuai untuk pelanggan serta memberikan layanan yang bersifat one-stop-service untuk semua hal yang berhubungan dengan pelanggan. 3. Meningkatkan nilai transaksi pelanggan (Enhance) Tujuan pada enhance adalah pengembangan relasi ke arah peningkatan nilai transaksi penjualan yang bersifat cross-selling (produk komplemen) maupun up-selling (produk yang bermutu lebih baik).

Kunci keberhasilan pelaksanaan CRM tergantung pada tiga hal yang harus saling mendukung satu dengan yang lain, yaitu: 1. People (sumber daya manusia) Adalah keseluruhan anggota perusahaan, dari manajemen sampai staf terendah. a. Budaya kerja. Adanya kesamaan visi CRM, pemahaman konsep “customer-focused” dalam pelaksanaan praktek kerja, kerja sama dan kekompakan tim, antara pihak manajemen dan staf. Hal ini dapat diperoleh dengan diadakannya pelatihan (training) dan penanaman konsep CRM dan “customer-focused” bagi staf dan manajemen.

40 b. Keterampilan Keterampilan staf dan pihak manajemen dalam menjalin hubungan dengan pelanggan, dalam memperoleh informasi yang dibutuhkan tentang pelanggan, serta kemampuan menganalisis dan menarik kesimpulan dari keseluruhan informasi pelanggan.

2. Process (proses bisnis yang dilakukan) Adalah proses bisnis perusahaan yang berorientasi pada “customer-focused”, yang lebih difokuskan pada sisi penjualan, pemasaran, dan pelayanan pelanggan.

3. Technology (teknologi informasi yang digunakan) Adalah teknologi informasi yang digunakan sebagai piranti pembantu yang mendukung unsur people dan process .

Kombinasi antara ketiganya disimbolkan dengan: Technology ( People + Process ) artinya: 1. Jika ( People + Process ) < adequate

(memadai), maka penggunaan teknologi

informasi akan memperbesar kesalahan pada inisiatif CRM. 2. Jika ( People + Process ) > adequate (memadai), maka penggunaan teknologi informasi akan mempercepat kesuksesan dan memperbesar keuntungan yang dapat diraih perusahaan. Beberapa manfaat yang dapat diperoleh dari penggunaan CRM dijabarkan sebagai berikut:

41 1. Meningkatkan pendapatan. 2. Mendorong loyalitas pelanggan. 3. Menekan biaya. 4. Meningkatkan efisiensi operasional. 5. Meningkatkan time to market.

2.6.4

Arsitektur dan Komponen CRM

Dalam arsitektur CRM (gambar 2.2), dapat dilihat sejumlah customer touch-points dan delivery channels yang menghasilkan dan menggunakan informasi. Yang dimaksud dengan customer touch-points (Berson dan Smith, 1999, hal46) adalah points of contact dimana perusahaan dapat berinteraksi dan “ touch ” pelanggan dan begitu pula sebaliknya. Informasi ini perlu diintegrasikan dan dianalisis untuk mendapatkan sebuah gambaran yang lengkap dan akurat tentang preferensi, kebutuhan, keluhan, dan atribut lainnya dari pelanggan yang dapat menjadikannya menjadi pelanggan jangka panjang sebagai pelanggan produk atau jasa perusahaan. Komponen-komponen yang menjadi bagian dari CRM tidak hanya data warehouse dan data marts , tetapi juga meliputi data mining , reporting , OLAP engines , dan penyimpanan metadata.

42

Gambar 2.6 : Business Rules and Meta Data Management

43 2.6.5

Jenis-Jenis CRM

Secara garis besar, CRM dapat diklasifikasikan dalam 3 jenis, yaitu (Berson dan Smith, 1999, hal45): 1. Operational CRM Mencakup otomatisasi yang terintegrasi dari keseluruhan proses bisnis, termasuk di dalamnya customer touch-points dan customer channels dan integrasi front office-back office . 2. Analytical CRM Merupakan proses analisis dari data yang dihasilkan pada Operational CRM. 3. Collaborative CRM Aplikasi pelayanan yang terkolaborasi, seperti e-mail, personalized publishing, ecommunities , forum diskusi, dan sarana lainnya yang dirancang untuk memfasilitasi interaksi antara pelanggan dan pihak perusahaan.

CRM yang terdiri dari ketiga komponen di atas memiliki tujuan secara umum yaitu untuk memaksimumkan keuntungan perusahaan sejalan dengan meningkatkan dan memelihara kepuasan pelanggan. Operational CRM mengoptimasi proses bisnis yang berinteraksi secara langsung dengan pelanggannya (Beck dan Summer, 2001, hal1-2). CRM memiliki berbagai macam aplikasi yang diterapkan dalam pemasaran, penjualan, dan pelayanan yang mendukung proses bisnis. Aplikasi proses bisnis yang menerapkan hal di atas tergolong dalam aplikasi operasional.

44 Aplikasi operational CRM dibedakan menjadi dua, yaitu: 1. Customer-Facing Applications Faktor utama dari aplikasi CRM Customer-Facing adalah contact center, Sales Force Automation , dan field service . Disebut Customer-Facing karena pada kenyataannya, pihak perusahaan ini langsung berhubungan dengan pelanggannya. 2. Customer-Touching Applications Faktor utama dari aplikasi CRM Customer-Touching Applications adalah Campaign management , e-commerce , dan Self-Service Customer Support. Disebut CustomerTouching

karena pelanggan berhubungan langsung dengan aplikasi sistem daripada

berhubungan dengan perwakilan perusahaan.

Strategi

operational

CRM ini memfasilitasi

traditional

CRM, yang berfokuskan

bagaimana membuat pelayanan, penjualan, dan/atau departemen pemasaran lebih efisien dan meningkatkan profitabilitas perusahaan dan pelanggan. Sedangkan infrastruktur dan servis dari Collaborative CRM membuat perusahaan dapat berinteraksi dengan

channel-nya, yakni semua

pihak yang memungkinkan berhubungan dengan perusahaan.

2.6.6

Analytical CRM

Tantangan bagi perusahaan sekarang ini adalah untuk mengerti apa yang menjadi permintaan pelanggan dan memberikan respon, secara lebih baik, mengantisipasi kebutuhan mereka. Namun, banyak perusahaan hanya berfokus untuk mengimplementasikan penggunaan CRM hanya sebatas untuk “mendengar” kebutuhan dan keluhan dari pelanggan, yang pada praktisnya hanya berkonsentrasi pada komponen Operational dan Collaborative CRM, sehingga analisis akan

45 pemahaman dan pengenalan terhadap pelanggan yang sebenarnya belum terjadi. Diperlukan komponen Analytical CRM untuk mengoptimalkan hubungan perusahaan dengan pelanggannya. Analytical CRM memungkinkan perusahaan untuk mendapatkan suatu pengetahuan akan pelanggan dan melakukan penaksiran atau estimasi terhadap pelanggan berdasarkan data analisis yang dipakai. Pengetahuan yang didapat perusahaan adalah tentang nilai pelanggan, yang dapat mendukung channel pelayanan interaksi dengan lebih baik dan mendukung berbagai keputusan dalam mensinergi penerapan Operational dan/atau Collaborative CRM dalam proses penjualan dan pemasaran produk, sehingga kedudukannya menjadi sangat esensial bagi komponen CRM lainnya (Beck dan Summer , 2001, hal2).

2.6.6.1 Pengertian Analytical CRM Analytical CRM merupakan feedback loop antara interaksi pelanggan yang real-time yang terjadi pada front-end atau back-end scorecard untuk menganalisa apa yang telah terjadi dan bagaimana meningkatkan cara perusahaan berinteraksi di kemudian hari. (Beck dan Summer, 2001, hal5) mengatakan bahwa analytical CRM adalah penggunaan data pelanggan untuk analisis, pemodelan, dan evaluasi yang ditujukan untuk mendukung perusahaan untuk membentuk suatu hubungan yang profitable antara perusahaan dan pelanggannya. Analytical CRM terdiri dari semua

programming yang menganalisis data tentang pelanggan perusahaan, sehingga

keputusan yang lebih cepat dan lebih baik dapat dihasilkan Berdasarkan sebuah artikel dalam Info World analytical CRM dapat menyediakan hal-hal sebagai berikut: 1. Kelompok segmentasi pelanggan. 2. Analisa profitabilitas, mengetahui pelanggan mana yang profitable selama kurun waktu

46 tertentu. 3. Personalisasi, kemampuan untuk memasarkan kepada pelanggan secara personal berdasarkan data yang ada tentang pelanggan itu. 4. Event monitoring , yaitu segala aktifitas yang dilakukan pelanggan yang berkaitan dengan perusahaan dan begitu pula sebaliknya tindakan perusahaan terhadap segala yang berhubungan dengan pelangannya, seperti promosi, transaksi, dsb.

Analytical

CRM mampu melakukan segmentasi pelanggan, membedakan pelanggan

yang memiliki profitabilitas tinggi dengan tingkat akurasi yang lebih matang, maka Return On Investment (ROI) akan suatu pelanggan dapat diprediksi dengan baik (Meta Group, 2000, hal1). Dengan pengetahuan tersebut maka penawaran yang tepat, harga yang tepat dapat ditawarkan pada saat yang tepat, kepada pelanggan yang memang berpotensi untuk membelinya, hal ini akan mengoptimasi pelanggan dan perusahaan. Dengan kombinasi informasi tentang pelanggan dari semua sumber dan sarana informasi vital lainnya yang berinteraksi dengan pelanggan, maka perusahaan dapat memperoleh gambaran yang pasti tentang pelanggan dan perilakunya. Dengan demikian mendukung perusahaan dalam melakukan personalisasi terhadap pelanggan dan menyesuaikan diri seiring dengan kemungkinan perubahan-perubahan yang terjadi dari permintaan pelanggan. Analytical CRM digunakan juga sebagai alat untuk mengevaluasi profitabilitas pelanggan, berdasarkan segmentasi dari hasil analisa yang kuat, dan meningkatkan ROI dari pelanggan perusahaan. Dengan menganalisa profitabilitas pelanggan, perusahaan dapat

melakukan

segmentasi pelanggannya berdasarkan tingkat profitabilitasnya sehingga dapat menetapkan target tingkat penjualannya terhadap masing-masing pelanggan. Langkah selanjutnya adalah

47 menindaklanjuti feedback loop

dari hasil analisa yang telah dilakukan untuk menentukan

interaksi selanjutnya yang akan dibangun dengan pelanggan (Meta Group, 2000, hal2).

2.6.6.2 Perbedaan Operational CRM dan Analytical CRM Tabel berikut ini menjelaskan perbedaan antara Operational CRM dan Analytical CRM.

Tabel 2.2 Perbedaaan Operational CRM dan Analytical CRM

Operational CRM Analytical CRM Dibuat untuk menyediakan respon yang Didesain untuk proses yang kompleks dan cepat kepada banyak user memerlukan waktu proses yang lama dan hanya digunakan untuk beberapa user saja

User mengakses dan meng update data.

User melakukan proses transaksi waktu yang singkat.

Selama pemrosesan, jumlah data yang diproses banyak dan biasanya hanya dapat di retrieve ( read-only ), dengan menggunakan query yang kompleks.

dalam

2.7 Pelanggan 2.7.1

Definisi Pelanggan

Pelanggan adalah semua orang yang menurut perusahaan memenuhi suatu standard kualitas tertentu, dan karena itu akan memberikan pengaruh kepada performa organisasi (Gaprez, 1997, hal73). Piramida pelanggan di atas (Gambar 2.5) menjelaskan tentang tahapan secara umum seorang pelanggan organisasi. Unsur-unsur dari piramida pelanggan adalah sebagai berikut :

48 1. Pelanggan Aktif ( Active Customer) Adalah orang atau perusahaan yang telah melakukan pembelian barang atau jasa dari perusahaan dalam periode tertentu, katakanlah dalam 12 bulan terakhir. 2. Pelanggan yang tidak aktif (Inactive Customer) Adalah orang-orang atau perusahaan yang telah membeli barang atau jasa pada masa lalu, akan tetapi tidak dalam periode tertentu. Pelanggan yang tidak aktif merupakan sumber yang penting untuk pendapatan potensial dan juga merupakan sumber informasi tentang apa yang perlu perusahaan lakukan untuk mencegah pelanggan aktif menjadi pelanggan tidak aktif. 3. Prospects Adalah orang atau perusahaan yang mempunyai suatu hubungan dengan perusahaan kita, akan tetapi sampai sekarang mereka belum membeli barang atau jasa perusahaan. Contoh prospects adalah orang yang telah meminta brosur perusahaan, orang-orang yang telah melakukan kontak lewat pameran dagang. Prospects merupakan orang-orang atau perusahaan yang diharapkan akan meningkat menjadi status pelanggan aktif dalam waktu dekat. 4. Suspects Adalah orang-orang atau perusahaan yang sanggup kita layani dengan produk atau jasa dari suatu perusahaan, akan tetapi sampai sekarang belum memiliki hubungan dengan perusahaan.

Biasanya

perusahaan

memulai

hubungan

dengan

suspects

dan

mengkualifikasikan mereka sebagai Prospects, dengan tujuan jangka panjang untuk mengkonversikannya menjadi pelanggan aktif.

49 5. The Rest of the World Adalah orang-orang atau perusahaan yang memang tidak mempunyai keperluan atau keinginan untuk membeli atau menggunakan produk atau jasa perusahaan.

2.7.2

Model Segmentasi Pelanggan

Seringkali perusahaan mengalokasikan sebagian besar pemasarannya dibelanjakan untuk noncustomers. Piramida pelanggan merupakan alat yang berguna untuk memvisualisasikan, menganalisis, dan memperbaiki perilaku dan profitabilitas pelanggan. (Curry, 2000, hal9). Nilai dari piramida pelanggan meningkat apabila perusahaan mensegmentasikan pelanggan aktif ke dalam kategori perilaku yang kritikal terhadap keberhasilan perusahaan, seperti pendapatan penjualan. Namun ini akan disesuaikan dengan perusahaan masing-masing yang menentukan tolak ukurnya. CRM terbentuk untuk memungkinkan setiap pelanggan diperlakukan secarapersonal selama proses pemasaran. Segmentasi adalah kunci langkah pertama. Dengan mengelompokan pelanggan ke dalam segmen-segmen berdasarkan profitabilitas, kontribusi penghasilan bagi perusahaan, perilaku dan faktor lainnya, maka setiap segmen akan mendapatkan perlakuan yang berbeda-beda. Dengan demikian, maka memperlakukan pelanggan secara personalisasi dapat diwujudkan dan dilakukan dengan tepat.

2.7.3

Membangun Model Pengukuran Profitabilitas Pelanggan

Adalah sesuatu yang sangat efektif bagi perusahaan jika dapat mengetahui pelanggan mana yang berpotensi meningkatkan profitabilitas perusahaan dan berapa lama pelanggan tersebut akan memberikan nilai bagi perusahaan, dan sebaliknya mengetahui mana yang menjadi beban

50 perusahaan dan tidak memberikan kontribusi yang berarti bagi perusahaan. Sangat penting bagi perusahaan memiliki kemampuan untuk mengetahui pengetahuan ini, sehingga perusahaan dalam hal ini pimpinan dapat membuat keputusan dengan lebih baik dengan mengetahui bagaimana, kapan, dan apa yang harus ditawarkan pada setiap pelanggan. Hal ini akan mendukung dan mampu meningkatkan efektifitas pelayanan dan interaksi dengan pelanggan. Ada beberapa faktor yang dapat mempengaruhi profitabilitas seorang pelanggan, antara lain : 1. Nilai Pelanggan ( Customer Value ) 2. Perilaku Pelanggan ( Customer Behavior ) 3. Kepuasan Pelanggan ( Customer Satisfaction ) 4. Masa Umur Pelanggan ( Customer Lifetime ) 5. Return on Investment (ROI)

2.7.3.1 Nilai Pelanggan ( Customer Value ) Secara garis besar, Customer Value atau nilai pelanggan digambarkan sebagai suatu pemahaman tentang nilai yang sebenarnya terhadap produk atau jasa yang diberikan perusahaan (Childers, 2003, hal25). Value berbicara tentang apa yang akan pembeli bayar untuk sebuah produk atau jasa. Penting untuk mengetahui bagaimana untuk mengelola customer value secara konsisten, karena hal tersebut dapat merupakan investasi yang terbaik yang dapat dilakukan oleh perusahaan. Customer value secara langsung dihubungkan dengan benefit yang dapat diperoleh dari produk dan jasa yang diberikan kepada masing–masing pelanggan yang mengkonsumsi barang dan jasa. Pemahaman akan nilai pelanggan merupakan salah satu

competitive advantage

51 perusahaan untuk menghadapi pesaingnya (Childers, 2003, hal37) Variabel-variabel yang digunakan untuk mengukur tingkat customer value antara lain:

1. Product Value Nilai yang didapat pelanggan dari produk yang ditawarkan perusahaan. 2. Service Value Nilai yang diperoleh pelanggan dari tingkat pelayanan yang diberikan kepada pelanggan baik pelayanan secara langsung maupun tidak langsung. 3. Personnel Value Nilai yang diperoleh pelanggan dari pelayanan serta tingkah laku karyawan perusahaan. 4. Image Value Nilai yang diperoleh pelanggan dari merek produk yang ditawarkan/yang dibeli dari perusahaan.

Dapat dipastikan bahwa pelanggan pasti memperhitungkan penawaran mana yang akan memberikan nilai tertinggi. Para pelanggan membentuk suatu harapan akan nilai dan bertindak berdasarkan hal itu. Pada praktisnya, penawaran yang memenuhi harapan nilai pelanggan mempengaruhi kepuasan dan kemungkinan pelanggan membeli kembali (Tunggal, 2000, p18).

2.7.3.2 Perilaku Pelanggan ( Customer Behaviour ) Dalam hubungannya dengan perusahaan, identifikasi perilaku pelanggan dapat diukur dengan beberapa parameter berikut (Tunggal, 2000, hal20-21) :

52 1. Penghasilan ( Revenue ) Tingkat profitabilitas seorang pelanggan dapat dilihat dari tingkat penghasilan yang dikontribusikan oleh pelanggan tersebut kepada perusahaan. Ini dapat diukur dalam jumlah rupiah atau volume produk yang dipesan selama suatu periode tertentu. Penghasilan yang dimaksud adalah penghasilan kotor yang diperoleh perusahaan atas transaksi penjualan yang dilakukan pelanggan. Semakin tinggi kontribusi seorang pelanggan bagi perusahaan dalam hal penghasilan yang perusahaan terima, maka semakin tinggi tingkat profitabilitas pelanggan. Perusahaan akan mengalihkan pelayanannya dan mengoptimalkan penawarannya bagi seorang atau perusahaan pelanggan yang memberikan keuntungan yang tinggi bagi perusahaan. Tentu saja hal ini dapat mengefektifkan dan mengefisiensikan praktek pemasaran dan servis lainnya yang diberikan perusahaan untuk pelanggan.

2. Customer Lifeture Customer Lifeture dapat diukur dari rata-rata lamanya waktu, diukur dalam bulanan atau tahunan, yaitu rata-rata pelanggan melakukan transaksi dengan perusahaan dalam memenuhi produk atau jasa yang dibutuhkan.

3. Customer Share Customer Share yaitu sejauh mana seorang pelanggan memenuhi kebutuhannya atas produk atau jasa yang diinginkan pelanggan dengan berbisnis dengan perusahaan kita.

53 4. Corporate Value Corporate value ini diukur berdasarkan sejauh mana seorang pelanggan dapat bekerjasama dengan baik dengan perusahaan, yang dilihat dari ketepatan dalam melakukan pembayaran yang telah ditargetkan (khusus untuk pembayaran kredit) serta seberapa sering giro yang dikeluarkan pelanggan ditolak oleh pihak bank.

2.7.3.3 Kepuasan Pelanggan ( Customer Satisfaction ) Secara umum kepuasan adalah perasaan senang atau kecewa seseorang yang berasal dari perbandingan antara kesannya terhadap kinerja (atau hasil) suatu produk dan harapannya. Kepuasan merupakan fungsi dari kesan kinerja dan harapan. Jika kinerja produk atau jasa perusahaan berada dibawah harapan, maka pelanggan tidak puas. Jika kinerja memenuhi harapan, maka pelanggan akan merasa puas. Jika kinerja melebihi harapan, maka pelanggan amat puas dan senang (Tunggal, 2000, hal21). Perusahaan harus mulai berfokus untuk memberikan kepuasan yang lebih tinggi kepada pelanggannya, karena hanya para pelanggan yang merasa tidak puas yang mudah untuk berubah pikiran bila mendapat tawaran yang lebih baik. Pelanggan yang puas akan memenuhi target perusahaan akan penjualan produk atau jasa kepada pelanggan yang dituju, bahkan melebihi dari yang diharapkan. Pelanggan yang puas akan mempengaruhi perilakunya terhadap perusahaan, sebagai hasilnya adalah kesetiaan pelanggan yang tinggi. Para pembeli akan membeli dari perusahaan yang mereka anggap menawarkan customer delivered value yang tertinggi. C ustomer delivered value ini yang nantinya menjadi faktor untuk mengetahui tingkat kepuasan pelanggan yang sebenarnya terhadap pelayanan dan produk perusahaan yang telah diberikan. Beberapa metode berikut dapat digunakan untuk melacak kepuasan pelanggan (Kotler , 2000, hal30-35):

54

1. Sistem Keluhan dan Saran ( Complaint and Suggestion Systems ) Sistem keluhan dan saran mempermudah pelanggannya memberikan keluhan dan sarannya. Contohnya restoran dan hotel menyediakan formulir bagi tamu untuk melaporkan hal-hal yang disukai dan tidak disukai. Ada pula perusahaan yang menyediakan layanan hot-lines bagi pelanggan dengan nomor telepon gratis sehingga memudahkan pelanggan dalam menyampaikan keluhannya.

2. Survei Kepuasan Pelanggan ( Customer Satisfaction Surveys ) Perusahaan-perusahaan yang responsif memperoleh ukuran kepuasan pelanggan secara langsung biasanya dilakukan dengan cara ini. Perusahaan dapat membuat daftar pertanyaan yang kemudian dibagikan atau menelepon pelanggan sebagai sampel acak untuk menanyakan apakah mereka puas, biasa saja, kurang puas, atau amat tidak puas dengan berbagai aspek kinerja perusahaan. Perusahaan juga dapat meminta tanggapan pelanggan tentang kinerja para pesaing perusahaan. Selain itu juga berguna untuk mengajukan pertanyaan tambahan untuk mengukur keinginan pelanggan untuk membeli kembali. Nilai positif tinggi dari pelanggan menunjukkan bahwa perusahaan menghasilkan kepuasan yang tinggi bagi pelanggannya. Pelanggan akan membeli dari perusahaan yang dianggap menawarkan customer delivered value yang tertinggi. Customer delivered value (Nilai yang diterima pelanggan) adalah selisih antara total customer value (jumlah nilai bagi pelanggan) dan total customer cost (biaya total pelanggan).

55

3. Belanja Siluman ( Ghost Shopping ) Cara ini biasa dilakukan dengan membayar orang-orang bertindak sebagai pembeli potensial untuk melaporkan temuan-temuan tentang kekuatan dan kelemahan yang ditemui dalam membeli produk perusahaan dan produk pesaing, dan juga kinerja pelayanan dari staf perusahaan yang terlibat dalam transaksi operasional perusahaan dengan pelanggan.

4. Analisis Kehilangan Pelanggan ( Lost Customer Analysis ) Perusahaan dapat menganalisis kehilangan pelanggan dengan mengidentifikasi sejumlah pelanggan yang dimiliki yang dikategorikan sebagai inactive customer, yaitu orang-orang atau perusahaan yang telah membeli barang atau jasa pada masa lalu, akan tetapi tidak dalam periode tertentu. Penting bagi perusahaan untuk mempelajari kegagalannya yang biasa diakibatkan karena perusahaan gagal memuaskan pelanggannya. Pelanggan yang hilang berdampak terhadap penurunan pendapatan perusahaan, perusahaan dapat menghitung berapa pendapatan yang hilang pertahunnya dikarenakan kehilangan satu pelanggan. Contoh kasusnya : penjualan rata-rata pelanggan tahun lalu (2003) adalah Rp 400 Juta. Margin laba perusahaan adalah 5%, berapa biaya kehilangan pelanggan ? Maka perhitungannya adalah : a. Katakanlah perusahaan mempunyai 100 pelanggan. b. Perusahaan kehilangan 5% dari pelanggannya tahun 2003 karena pelayanannya

56 yang buruk. Hal ini berarti perusahaan kehilangan 5 pelanggan (5% x 100). c. Rata-rata penurunan pelanggan yang hilang mencerminkan Rp 400 juta penurunan pendapatan bagi perusahaan. Oleh karenanya, perusahaan kehilangan 2 milyar pendapatan pada tahun ini (5 x Rp 400 juta). Margin laba perusahaan adalah 5%. Oleh karenanya, perusahaan kehilangan Rp100 juta pada tahun 2004 (5% x Rp 2 Milyar).

Total Customer value (jumlah nilai bagi pelanggan) diperoleh dari nilai yang didapatkan dari customer value (nilai pelanggan) yang telah dijelaskan sebelumnya. Total Customer Value ini merupakan benefit yang diterima pelanggan dari melakukan bisnis dengan perusahaan. Total Customer Cost (total biaya pelanggan) ini merupakan akumulasi dari empat jenis biaya, yaitu : Physic Cost, Energy Cost, Time Cost, Monetary Cost. 1.

Physic cost Physic Cost = Biaya PBB + biaya sewa prasarana

2.

Energy Cost, dihitung berdasarkan biaya yang dikeluarkan dalam mendapatkan produk perusahaan secara langsung.

3.

Time Cost, merupakan nilai atau jumlah biaya atas waktu yang dihabiskan pelanggan dalam mendapatkan produk yang diinginkan.

4.

Monetary cost : Monetary cost = Production cost + Marketing cost + Operational cost a. Perhitungan Production cost Production cost = Raw material cost+ electric cost + biaya penyusutan mesin + biaya tenaga kerja

57 b. Perhitungan marketing cost didapat dari biaya promosi yang dikeluarkan seperti biaya iklan, brosur, reklame, spanduk, katalog, promosi umum, dsb. c. Perhitungan operational cost : Operational Cost = Gaji karyawan + biaya peralatan + biaya perlengkapan

Rumus untuk menghitung customer delivered value ( Nilai yang diterima pelanggan) yang menggambarkan nilai kepuasan pelanggan yaitu :

CUSTOMER DELIVERED VALUE = CUSTOMER BENEFIT - CUSTOMER COST

Gambar 2.7 Penentu Nilai yang Diterima Pelanggan

58

2.7.3.4 Masa Umur Pelanggan ( Customer Lifetime ) Model lifetime value

ini digunakan untuk mengestimasi jangka waktu keuntungan yang

diharapkan perusahaan dari setiap pelanggan. Dengan mengetahui ini, memungkinkan servis atau produk yang khusus ditawarkan untuk pelanggan yang memiliki nilai yang tinggi. (Kotler , 2000, hal30-35).

2.7.3.5 Return on Investment (ROI) Perusahaan melakukan penanaman modal untuk mencari tingkat pengembalian yang memuaskan. Untuk menentukan tingkat pengembaliannya tergantung dari jumlah biaya yang terpakai, dan faktor lainnya. Tingkat pengembalian yang perlu didapatkan harus sama atau melebihi dari besarnya modal. Perhitungan tingkat ROI mengkalkulasi tingkat pengembalian modal yang telah diinvestasikan dengan menyesuaikan pemasukan dari modal yang dikeluarkan termasuk depresiasi. ROI dapat dihitung dengan menghitung rata-rata dari keuntungan bersih.Keuntungan bersih ini dibagi dengan total investasi awal untuk mendapatkan ROI.

Rumusnya adalah : Net Benefit

= ROI

Net Investment

Lemahnya tingkat ROI dapat mempengaruhi lemahnya time

value

dapat memodifikasi/mengubah keuntungan di masa yang akan datang. melakukan perhitungan ROI adalah :

of

money . ROI

Keuntungan dengan

59 1. Perbandingan dalam menghitung keuntungan. 2. Memudahkan penghitungan dari tahun tertentu yang khusus.

2.7.4

Customer Churn dalam Industri Telepon Selular Masalah terbesar yang sedang dihadapi industri telepon selular saat ini adalah fenomena

yang menunjukkan perpindahan/pergerakan pelanggan dari satu provider ke provider lainnya. Fenomena ini yang dikenal dengan istilah customer churn (Mutanen, Teemu. 2006, hal4). Customer churn dapat disebabkan oleh banyak hal, mulai dari tarif yang kompetitif antar operator, fitur dan fasilitas yang kompetitif, sampai bagaimana provider melayani, berinteraksi, dan mengelola hubungannya dengan pelanggan-pelanggannya. Customer churn di industri telekomunikasi merupakan masalah yang sangat besar. Jika pada industri lain, sebut saja misalnya industri kartu kredit, nilai customer churn yang terjadi sekitar 0,4% tiap bulan, di industri telekomunikasi dapat terjadi sampai 2,2% per bulan. Dapat dikatakan bahwa sekitar 27% pelanggan provider churn setiap tahunnya. Mengapa masalah ini menjadio begitu krusial? Karena biaya yang dikeluarkan untuk mendapatkan pelanggan baru, untuk iklan, marketing, komisi, dan lain-lain akan jauh lebih besar dibandingkan biaya yang harus dikeluarkan untuk menjaga pelanggan yang sudah ada. Ditambah lagi, belum kebanyakan pelanggan baru cenderung tidak lebih menghasilkan keuntungan dibandingkan pelanggan yang sudah lama dan bertahan.

60 2.8 Text Mining 2.8.1

Definisi Text Mining

Menurut Weigo Fan (Fan, Weiguo. 2005. hal3-10), Text Mining didefinisikan sebagai penemuan informasi baru yang belum diketahui sebelumnya secara terkomputerisasi dengan mengekstrak informasi dari beberapa sumber tertulis yang berbeda. Text Mining mirip dengan data mining, perbedaan ialah data mining dibuat untuk menangani data terstruktur dari database atau file XML, tetapi text mining dapat bekerja dalam data yang tidak terstruktur seperti email, dokumen full-text, file HTML, dan lain-lain. Sebagai hasilnya, text mining merupakan solusi yang lebih baik untuk perusahaan-perusahaan dimana sejumlah besar informasi yang berbeda-beda harus disatukan dan diatur. Masalah pada text mining sudah jelas, natural language diciptakan oleh manusia untuk berkomunikasi satu sama lain dan mencatat informasi. Oleh karena itu, komputer sangat sulit untuk memahami natural language. Manusia mempunyai kemampuan untuk membedakan dan memakai pola bahasa pada teks dan dapat dengan mudah mengatasi masalah seperti bahasa slang, kesalahan eja, dan pengertian konstektual. Akan tetapi, walaupun kapabilitas bahasa kita membiarkan kita untuk memahami data yang tidak terstruktur, kita mengalami kesulitan pada kemampuan komputer untuk memproses teks pada volume yang besar dengan kecepatan yang tinggi. Di sini tertera kunci untuk text mining, yaitu membuat teknologi yang dapat mengkombinasikan kapabilitas bahasa manusia dengan kecepatan dan akurasi yang tinggi pada komputer.

Gambar 2.8 : Schema Text Mining

61

Di atas merupakan contoh proses text mining Pertama-tama dilakukan pengumpulan dokumen setelah itu text mining tool akan mendapatkan dokumen tertentu dan melakukan tahapan preprocess dengan mengecek format dan set karakter. Lalu akan masuk ke tahapan analisis teks yang dapat dilakukan berulang-ulang sampai informasi dapat diekstrak. Pada gambar, ada tiga bagian proses di dalam analisis teks, namun pada kenyataannya banyak kombinasi teknik yang dapat digunakan tergantung pada hasil yang diinginkan oleh organisasinya. Setelah diekstrak, informasi akan dimasukkan dalam Management Information System, yang nantinya akan menghasilkan pengetahuan yang banyak untuk user dari system tersebut

2.8.2

Teknologi Text Mining Walaupun perbedaan dalam bahasa manusia dengan bahasa komputer cukup besar,

namun ada teknologi yang dapat menutup celah perbedaan itu. Pemrosesan natural language telah memproduksi teknologi yang dapat mengajarkan natural language kepada komputer sehingga mereka dapat menganalisa, mengerti dan bahkan men-generate teks. Beberapa teknologi yang telah dibuat dan bisa digunakan yaitu teknologi information extraction, Topic Extraction, summarization, categorization, clustering, concept linkage, information visualization dan question answering.

2.8.2.1 Information Extraction Titik permulaan untuk komputer menganalisa teks yang tidak terstruktur ialah dengan menggunakan extraction information. Software information extraction mengidentifikasi frasa

62 kunci dan hubungan dalam teks. Ini dilakukan dengan mencari urutan yang telah didefinisakan sebelumnya di dalam teks, sebuah proses yang disebut pattern matching. Software ini dapat menyimpulkan hubungan di antara objek yang telah terdefinisi untuk memberikan user informasi yang bermakna. Teknologi ini sangat berguna untuk volume data yang besar. Hampir semua software text mining menggunakan information extraction karena ini merupakan dasar dari semua teknologi text mining yang ada.

1. Topic Extraction Sistem Topic Extraction bekerja dengan menyimpan profil user dan berdasarkan dokumen yang user lihat, lalu memprediksi dokumen lain yang memiliki daya tarik untuk user tersebut. Teknologi Topic Extraction mempunyai keterbatasan pada tingkatan akurasinya. Beberapa text mining tool yang baik memungkinkan user untuk memilih kategori tertentu atau software secara otomatis dapat menarik kesimpulan dari ketertarikan user berdasarkan sejarah bacaan user dan informasi yang dicari user melalui penekanan tombol mouse.

2. Summarization Text summarization sangat membantu untuk mengetahui apakah sebuah dokumen yang panjang termasuk dalam kriteria yang dibutuhkan oleh user dan cocok untuk terus dibaca. Kunci dari summarization ialah mengurangi panjang dan detail dari dokumen namun tetap menjaga maksud inti dan keseluruhan. Tantangannya terletak di sana, walaupun komputer mampu untuk menentukan pelaku, tempat, dan waktu, namun tetap sulit untuk mengajarkan software untuk menganalisa kata-kata dan menerjemahkan

63 maknanya. Secara umum, ketika manusia menyimpulkan bacaan, kita membaca secara keseluruhan untuk memahaminya, lalu menuliskan kesimpulannya dengan mengambil intinya. Karena komputer belum mempunyai kapabilitas bahasa manusia, metode alternatif harus dipertimbangkan. Salah satu strategi yang sering digunakan pada text summarization tool ialah sentence extraction, mengekstrak kalimat penting dari sebuah artikel dengan mengukur kalimat tersebut secara statistik. Summarization dapat bekerja dengan topic tracking tool atau categorization tool dalam proses untuk merangkum dokumen yang diinginkan pada topik-topik tertentu. Jika user diberikan ratusan dokumen yang berhubungan dengan topic yang mereka inginkan, maka summarization tool dapat digunakan untuk mengurangi waktu pencarian mereka untuk menyortir dokumen-dokumennya.

3. Categorization Categorization mengidentifikasi topik utama dari dokumen dengan menempatkan dokumen ke dalam suatu set topik yang telah didefinisikan sebelumnya. Ketika mengkategorikan suatu dokumen, program komputer akan memperlakukan dokumen sebagai bag of words. Categorization tidak melakukan proses pada informasi aktual seperti pada information extraction lakukan. Categorization hanya menghitung kata-kata yang muncul dan mengidentifikasi topik utama dari judul dokumen. Categorization biasanya bergantung pada kosakata pada topik yang telah ditentukan sebelumnya dan hubungan didefinisikan dengan mencari broad terms, narrower terms, sinonim dan related terms. Categorization tool secara normal mempunyai metode untuk membuat ranking pada dokumen berdasarkan isi yang paling sesuai dengan topik yang ditentukan.

64

4. Clustering Clustering ialah teknik yang sering digunakan untuk mengelompokkan dokumendokumen yang memiliki kemiripan tertentu, namun berbeda dari categorization, clustering tidak menentukan topik sebelum melakukan proses. Keuntungan teknik clustering bahwa dokumen-dokumen tersebut dapat dimunculkan dalam beberapa subtopik. Hal ini memastikan bahwa sebuah dokumen yang berharga tidak akan dihilangkan dari hasil pencarian. Algoritma dasar Clustering menciptakan vektor dari topik untuk setiap dokumen dan mengukur berat dari seberapa baik dokumen itu cocok untuk setiap cluster.

5. Concept Linkage Teknik concept linkage menghubungkan dokumen-dokumen yang berhubungan dengan cara mengidentifikasi kemiripan mereka dan membantu user untuk menemukan informasi yang mereka tidak dapatkan ketika mereka menggunakan metode pencarian tradisional. Metode ini memungkinkan penjelajahan informasi dibandingkan pencarian informasi. Concept linkage adalah konsep yang berharga di dalam text mining, khususnya dalam aspek biomedical dimana begitu banyak riset yang telah dilakukan sehingga tidak mungkin jika si peneliti harus membaca seluruh materi dan menghubungkan materi-materi tersebut dengan risetnya yang lain.

65 6. Information Visualization Visual text mining atau information visualization menempatkan sumber besar yang berupa teks ke dalam hirarki visual atau peta dan menyediakan kapabilitas penjelajahan, dalam penambahan untuk pencarian sederhana. User dapat berinteraksi dengan peta dokumen dengan memperbesar, menskala dan membuat peta kecil lain. Information visualization sangat berguna ketika user butuh untuk mempersempit dokumen dan menjelajah topik yang berhubungan.

7. Question Answering Aplikasi lain dari natural language processing adalah natural language queries atau question answering yang menangani bagaimana menemukan jawaban terbaik untuk pertanyaan yang diberikan. Banyak websites yang dilengkapi dengan teknologi question answering, memungkingkan end user untuk “bertanya” pada computer sebuah pertanyaan dan diberikan jawaban.

2.9 Analisis SWOT Menurut Rangkuti (2000, p18) analisis SWOT adalah pengidentifikasian dari factor-faktor yang ada secara sistematis. Untuk merumuskan strategi perusahaan, analisa ini didasarkan pada logika yang dapat memaksimalkan kekuatan dan peluang, namun secara bersamaan dapat meminimalkan kelemahan dan ancaman. Proses pengambilan keputusan strategis selalu berkaitan dengan pengembangan misi, tujuan, strategi dan kebijakan perusahaan, dengan demikian perencanaan strategi harus menganalisa factor-faktor strategis perusahaan dalam kondisi yang ada pada saat ini. SWOT merupakan kependekan dari kekuatan (Strength),

66 kelemahan (Weakness), kesempatan (Opportunity), dan ancaman (Threat). Analisis ini dapat mengindentifikasi factor-faktor tersebut secara sistematis dan dapat menunjukkan strategi yang cocok bagi perusahaan untuk dijadikan solusi.

2.9.1

Strength

Strength merupakan faktor yang memperbesar daya tawar dalam menghadapi pelanggan, menghindari persaingan dengen perusahaan sejenis dan memungkinkan biaya rendah dalam kelompok strategi.

2.9.2

Weakness

Weakness merupakan faktor yang dapat memperlemah posisi perusahaan dalam persaingan bisnisnya, menyebabkan biaya yang tinggi untuk melaksanakan strategi dan mengurangi daya tawar dalam menghadapi pelanggan. Kelangkaan dalam sumber daya yang memungkinkan perusahaan mengatasi rintangan yang ada juga termasuk dalam Weakness.

2.9.3

Opportunity

Opportunity merupakan faktor luar yang dapat memungkinkan terciptanya strategi bisnis baru atau memperkuat posisi struktural perusahaan yang telah ada.

2.9.4

Threat

Threat merupakan faktor luar yang dapat memungkinkan timbulnya hambatan dan rintangan bagi bisnis perusahaan, seperti inflasi, munculnya perusahaan sejenis, peraturan pemerintah dan lain-lain.

67

2.9.5

Matriks Faktor Strategi Internal

Menurut Rangkuti (2002, hal 24), factor-faktor strategis internal adalah kekuatan dan kelamahan perusahaan.Didalam strategi internal ini membahas tentang keunggulan perusahaan yang tidak dimiliki perusahaan pesaing, sehingga harus mengintegrasikan keunggulan itu kedalam budaya organisasi. Dengan demikian perusahaan lain tidak akan mudah meniru keunggulan perusahaan. Cara-cara penentuan faktor strategis internal : 1. Tentukan factor-faktor yang menjadi kekuatan dan kelamahan perusahaan. 2. Beri bobot masing-masing factor tersebut dengan skala mulai dari 0,0 (tidak penting) sampai 1,0 (paling penting), berdasarkan pengaruh factor tersebut terhadap posisi strategis perusahaan ( semua bobot tersebut tidak boleh melebihi skor total 1,00). 3. Hitung rating untuk masing-masing factor dengan skala mulai dari 1 ( di bawah rata-rata ) sampai 4 ( sangat baik ), berdasarkan pengaruh factor tersebut terhadap kondisi perusahaan yang bersangkutan. Variabel yang bersifat positif ( semua variable yang masuk kategori kekuatan ) diberi nilai mulai dari 1 sampai 4 dengan membandingkannya dengan rata-rata industri dengan pesaing utama. Sedangkan untuk kelemahan yang dimiliki diberi rating 1 jika efek yang ditimbulkan kelemahan tersebut tidak terlalu berdampak besar bagi perusahaan. Semakin besar dampak yang timbulkan, rating dinilai semakin tinggi sampai batas maksimal 4. 4. Kalikan bobot dengan rating untuk memperoleh faktor pembobotan.hasilnya berupa skor pembobotan untuk masing-masing faktor yang nilainya mulai dari 1,0 sampai 4,0. 5. Jumlahkan skor factor kekuatan dan jumlahkan skor factor kelemahan. Kemudian hitung selisihnya untuk mendapatkan skor total Internal Factor Analysis Summary (IFAS).

68 2.9.6

Matriks Faktor Strategi Eksternal

Menurut Rangkuti (2002, hal 24), factor-faktor strategis eksternal adalah peluang dan ancaman, perencanaan strategi dilakukan untuk menganalisa lingkungan eksternal sehingga dapat mengetahui berbagai kemungkinan peluang dan ancaman pada perusahaan. Cara-cara penentuan faktor strategis eksternal: 1. susunlah faktor-faktor yang menjadi peluang dan ancaman yang dimiliki perusahaan. 2. Beri bobot masing-masing faktor tersebut dengan skala mulai dari 0,0 (tidak penting) sampai 1,0 (paling penting). Factor-faktor tersebut kemungkinan dapat memberikan dampak pada factor strategis. 3. Hitung rating untuk masing-masing factor dengan skala mulai dari 1 (di bawah rata-rata) sampai 4 (sangat baik), berdasarkan pengaruh faktor tersebut terhadap kondisi perusahaan yang bersangkutan. Variabel yang bersifat positif (semua variable yang masuk kategori peluang) diberi nilai mulai dari 1 sampai 4 dengan membandingkannya dengan rata-rata industri dengan pesaing utama. Sedangkan untuk ancaman yang dimiliki diberi rating 1 jika ancaman tersebut dapat berdampak besar bagi perusahaan. Semakin besar dampak yang mungkin ditimbulkan, rating dinilai semakin tinggi sampai batas maksimal 4. 4. Kalikan bobot dengan rating untuk memperoleh faktor pembobotan.hasilnya berupa skor pembobotan untuk masing-masing faktor yang nilainya mulai dari 1,0 sampai 4,0. 5. Jumlahkan skor faktor peluang dan jumlahkan skor faktor ancaman. Kemudian hitung selisihnya untuk mendapatkan skor total External Factor Analysis Summary (EFAS).

69 2.9.7

Diagram Analisis SWOT

Diagram Analisis SWOT adalah diagram yang digunakan untuk mengidentifikasi posisi dan situasi yang dihadapi perusahaan pada persaingan bisnis, berdasar pada faktor strategi internal perusahaan (IFAS) dan factor-faktor strategi eksternal (EFAS) yang dihadapi perusahaan. Diagram Analisis SWOT menunjukkan titik koordinat dari posisi SWOT seperti yang ditunjukkan pada gambar berikut :

Kuadran 3

Kuadran 4

Kuadran 1

Kuadran 2

Gambar 2.9 : Diagram SWOT

Kuadran 1 : merupakan situasi yang sangat menguntungkan perusahaan. Perusahaan tersebut memiliki peluang dan kekuatan sehingga dapat memanfaatkan peluang yang ada. Kuadran 2 : meskipun menghadapi berbagai macam ancaman, perusahaan ini masih memiliki kekuataan dari segi internal. Kuadran 3 : perusahaan menghadapi peluang pasar yang sangat besar. Tetapi di lain pihak perusahaan menghadapi beberapa kendala atau kelemahan internal.

70 Kuadran 4 : merupakan situasi yang sangat tidak menguntungkan bagi perusahaan. Perusahaan tersebut menghadapi berbagai macam ancaman dan memiliki kelemahan internal.

2.9.8

Matrik SWOT

Alat yang digunakan untuk menyusun factor-faktor strategis perusahaan adalah matrik SWOT. Matriks ini dapat menggambarkan secara jelas bagaimana peluang dan ancaman eksternal yang dihadapi perusahaan dapat disesuaikan dengan kekuatan dan kelemahan yang dimilikinya. Matrik inidapat menghasilkan 4 (empat) set kemungkinan strategi (Rangkuti, 2000, hal31), yaitu: 1. Strategi Strength – Opportunity Strategi ini dibuat berdasarkan jalan pikiran perusahaan yaitu dengan memanfaatkan seluruh kekuatan untuk merebut dan memanfaatkan peluang sebesar-besarnya. 2. Strategi Strength –Threat Strategi ini diterapkan dalam menggunakan kekuatan yang dimiliki perusahaan untuk mengatasi ancaman eksternal. 3. Strategi Weakness – Opportunity Strategi ini diterapkan berdasarkan pemanfaatan peluang yang ada dengan cara meminimalkan kelemahan yang ada. 4. Strategi Weakness – Threat Strategi ini didasarkan pada kegiatan yang bersifat defensive dan berusaha meminimalkan kelemahan yang ada serta menghindari ancaman.

71 2.10

Analisis Critical Success Factor (CSF)

Menurut Rockart (Ward, 2002, hal209), CSF adalah area tertentu dalam perusahaan dimana jika hasil dari area tersebut memuaskan, maka akan menjamin keberhasilan perusahaan dalam bersaing. Area tersebut adalah area kunci dimana ‘sesuatu harus berjalan dengan baik dan benar’, sehingga keberhasilan bisnis dapat dicapai dan terus berkembang. Manfaat dari analisis CSF menurut Ward (2002, p209) adalah sebagai berikut: 1. analisis CSF merupakan teknik yang paling efektif dalam melibatkan manajemen senior dalam mengembangkan strategi Sistem Informasi. Karena CSF secara keseluruhan telah berakar pada bisnis dan memberikan komitmen bagi manajemen puncak dalam menggunakan sistem informasi yang diselaraskan dengan pencapaian tujuan perusahaan melalui area bisnis yang kritis. 2. analisis CSF menghubungkan proyek sistem informasi yang akan diimplementasikan dengan tujuannya, dengan demikian sistem informasi nantinya akan dapat direalisasikan agar sejalan dengan strategi bisnis perusahaan. 3. dalam wawancara dengan manajemen senior, analisis CSF dapat menjadi perantara yang baik dalam mengetahui informasi apa yang diperlukan oleh setiap individu. 4. dengan menyediakan suatu hubungan antara tujuan dengan kebutuhan informasi, analisis CSF memegang peranan penting dalam memprioritaskan investasi modal yang potensial. 5. analisa CSF sangat berguna dalam perencanaan sistem informasi pada strategi bisnis tidak berjalan sesuai dengan tujuan perusahaan, dengan memfokuskan pada masalahmasalah tertentu yang paling kritis.

72 6. analisis CSF sangat berguna apabila digunakan sejalan dengan analisis value chain dalam mengidentifikasi proses yang paling kritis, serta memberikan focus pada pencapaian tujuan melalui kegiatan-kegiatan yang paling tepat untuk dilaksanakan.