CUSTOMER RELATIONSHIP MANAGEMENT UNTUK PENETAPAN STRATEGI PENJUALAN MENGGUNAKAN TEKNIK ASSOCIATION RULES MINING
SKRIPSI
Triyoda Arrahman F34070118
DEPARTEMEN TEKNOLOGI INDUSTRI PERTANIAN FAKULTAS TEKNOLOGI PERTANIAN INSTITUT PERTANIAN BOGOR BOGOR 2011
CUSTOMER RELATIONSHIP MANAGEMENT FOR DETERMINING OF SALES STRATEGY USING ASSOCIATION RULES MINING TECHNIQUE Triyoda Arrahman Department of Agroindustrial Technology, Faculty of Agricurtural Technology, Bogor Agricultural Technology, IPB Darmaga Campus, PO Box 220, Bogor, West Java, Indonesia. Phone 62 21 8468904, e-mail:
[email protected] ABSTRACT Business competition is the most important factor to develop a marketing system for a more effective and efficient marketing system in an industry. Customer Relationship Management (CRM) is a marketing Management system which can be a solution to face an increasingly competitive business. CRM includes cross-up selling, analysis of affinity products, and bundling of products that can be used as an alternative solution in marketing strategy system in an industry. Revenue of a company can be improved through cross selling where sale the additional product with the major products. Customer Relationships can improve customer satisfaction. This research discusses an analysis of sales transaction data from an agro-industrial company with tires products using Association Rules Mining technique. The result from this work shows the strategy of sales can be made using value of support, confidence and improvement. Determining of sales strategy makes to sell products which have complementary products with a value is higher than the base product and have confidence level> 50%. It shows that sell in up-selling (offering products that have higher prices of basic products) also can be done. Keywords: Business Competition, CRM (Customer Relationship Management), Sales Strategy, Data mining, Association Rules Mining, Cross Selling and Up Selling Strategy
TRIYODA ARRAHMAN. F34070118. Customer Relationship Management Untuk Penetapan Strategi Penjualan Menggunakan Teknik Association Rules Mining. Di bawah bimbingan Taufik Djatna. 2011
RINGKASAN Customer Relationship Management (CRM) merupakan suatu sistem manajemen pemasaran yang dapat menjadi solusi dalam menghadapi persaingan usaha yang semakin kompetitif. CRM mencakup cross/up selling, product affinity analysis, dan product bundling yang dapat digunakan sebagai alternatif solusi dalam penentuan sistem strategi penjualan di suatu industri. Revenue perusahaan dapat semakin ditingkatkan melalui penjualan secara Cross Selling, dimana dilakukannya penjualan produk dengan produk komplementernya sehingga semakin dapat dikenalinya perilaku pelanggan dan dapat menghasilkan strategi penjualan yang akan menghasilkan hubungan pelanggan yang semakin terjaga serta semakin meningkatnya kepuasan pelanggan terhadap sistem pemasaran perusahaan. Penelitian ini akan melakukan analisis terhadap data transaksi penjualan sebuah perusahaan yang bergerak di bidang agroindustri dengan produk ban menggunakan teknik Association Rules Mining untuk dihasilkan strategi penjualan cross-selling. Tujuan penelitian ini adalah sebagai berikut: 1. Mendapatkan nilai support asosiciation rule untuk mengetahui ukuran yang menunjukkan tingkat dominasi Item Set dari keseluruhan transaksi (misalkan dari seluruh transaksi yang ada, seberapa besar kemungkinan item A dan item B dibeli secara bersamaan). 2. Mendapatkan nilai confidence association rule untuk mengetahui ukuran yang menyatakan hubungan antara dua item secara conditional (misalkan seberapa sering item A dibeli, jika pelanggan membeli item B). 3. Mendapatkan nilai improvement association rule untuk mengetahui ukuran yang menyatakan besarnya kemungkinan dua item dapat dibeli secara bersamaan. 4. Mendapatkan hipotesis strategi pemasaran cross-selling sehingga revenue dari perusahaan dapat semakin meningkat. Penetapan strategi penjualan yang dilakukan diantaranya adalah melakukan penjualan produk yang memiliki produk komplementer dengan nilai (value) yang lebih tinggi dari produk yang bersangkutan dan keduanya memiliki tingkat confidence >50%. Hal ini mengindikasikan terciptanya peluang untuk menjual secara up-selling (melakukan penjualan yang lebih bernilai). Pada penelitian ini dari analisis perhitungan support score dihasilkan produk yang paling mendominasi Item Set adalah ketika pelanggan membeli produk B (produk Passanger Broad Market) dengan nilai support score 55% . Umumnya, rules Item Set mempunyai nilai confidence >50%. Hal ini menunjukkan bahwa rules Item Set tersebut dapat digunakan dalam menentukan strategi penjualan. Dan dari menghitung improvement score, nilai improvement score terbesar (4.742) adalah jika membeli produk D (produk Passanger High Performance) kemudian membeli produk F (produk Ultra Light Truck Radial). Hal ini menunjukkan bahwa tingkat kemungkinan dua item tersebut dapat dibeli secara bersamaan sangatlah tinggi. Proses perhitungan yang telah dilakukan menghasilkan 22 rules yang dapat digunakan dalam menentukan strategi penjualan cross selling dengan menghitung nilai support, confidence dan improvement pada semua rules tersebut.
TRIYODA ARRAHMAN. F34070118. Customer Relationship Management for Determining Of Sales Strategy Using Association Rules Mining Technique. Supervised by Taufik Djatna. 2011
SUMMARY Business competition is the most important factor to develop a marketing system for a more effective and efficient marketing system in an industry. Customer Relationship Management (CRM) is a marketing Management system which can be a solution to face an increasingly competitive business. CRM includes cross-up selling, analysis of affinity products, and bundling of products that can be used as an alternative solution in sales strategy system in an industry. Revenue of a company can be improved through cross selling where sale the additional product with the major products. Customer Relationships can improve customer satisfaction. This research discusses an analysis of sales transaction data from an agro-industrial company with tires products using Association Rules Mining technique. The purposes of this work are: 1. Getting support score of association rule to know size of dominate level of Item Set from all transaction (example from all existing transaction, how big possibility of item of A and item of B bought concurrently 2. Getting confidence score of association rule to know size of relation between two item by conditional (example how often item of A bought, if customer buy item of B 3. Getting improvement score of association rule to know size of possibility level of two item can buy concurrently 4. Getting hypothesis of marketing strategy of cross-selling. CRM includes cross-up selling, analysis of affinity products, and bundling of products can be used as an alternative solution in sales strategy system in an industry. Sales Strategy of cross selling in this work created from support, confidence, and improvement scores. From calculating of support scores, the biggest size of dominate level of rule Item Set is when customer buy product B (passenger broad market product) with 55 % support score. In generally, the rules of Item Set have confidence level> 50%. It illustrate that the rules Item Set can be use for determine sales strategy. And from calculating of improvement score process, the biggest improvement score (4.742) is If Buy D (Product Passenger High Performance) Then Buy F (Ultra Light Truck Radial). It illustrate that the possibility level of two item can buy concurrently is very high. The calculations have resulted 22 rules significantly for used to determine sales strategy of cross selling with calculate support, confidence, and improvement scores for those rules.
CUSTOMER RELATIONSHIP MANAGEMENT UNTUK PENETAPAN STRATEGI PENJUALAN MENGGUNAKAN TEKNIK ASSOCIATION RULES MINING
SKRIPSI Sebagai salah satu syarat untuk memperoleh gelar SARJANA TEKNOLOGI PERTANIAN Pada Departemen Teknologi Industri Pertanian Fakultas Teknologi Pertanian Institut Pertanian Bogor
Oleh
Triyoda Arrahman F34070118
DEPARTEMEN TEKNOLOGI INDUSTRI PERTANIAN FAKULTAS TEKNOLOGI PERTANIAN INSTITUT PERTANIAN BOGOR BOGOR 2011
Judul Skripsi Nama NIM
: Customer Relationship Management Untuk Penetapan Strategi Penjualan Menggunakan Teknik Association Rules Mining : Triyoda Arrahman : F34070118
Menyetujui,
Pembimbing,
(Dr. Eng. Taufik Djatna, STP, MSi.) NIP. 19700614 199512 1001
Mengetahui : Ketua Departemen,
(Prof. Dr. Ir. Nastiti Siswi Indrasti) NIP. 19621009 198903 2 001
Tanggal lulus : 8 Juni 2011
PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI
Saya menyatakan dengan sebenar-benarnya bahwa skripsi dengan judul Customer Relationship Management Untuk Penetapan Strategi Penjualan Menggunakan Teknik Association Rules Mining adalah hasil karya saya sendiri dengan arahan Dosen Pembimbing Akademik, dan belum diajukan dalam bentuk apapun pada perguruan tinggi manapun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini.
Bogor, Juni 2011 Yang membuat pernyataan
Triyoda Arrahman F34070118
© Hak cipta milik Triyoda Arrahman, tahun 2011 Hak cipta dilindungi Dilarang mengutip dan memperbanyak tanpa izin tertulis dari Institut Pertanian Bogor, sebagian atau seluruhnya dalam bentuk apapun, baik cetak, fotokopi, mikrofilm, dan sebagainya.
BIODATA PENULIS
Penulis lahir di Jakarta, 18 September 1989 sebagai anak ketiga dari tiga bersaudara pasangan Haryono Irfanda dan Ida Latifah. Penulis menyelesaikan pendidikan di Sekolah Dasar Negeri Jatirahayu VI Bekasi Jawa Barat pada tahun 2001, lalu menyelesaikan pendidikan di Sekolah Lanjutan Tingkat Pertama Negeri 259 Jakarta Timur pada tahun 2004, kemudian menyelesaikan pendidikan di Sekolah Menengah Umum Negeri 48 Jakarta Timur pada tahun 2007. Pada tahun yang sama penulis diterima sebagai mahasiswa Departemen Teknologi Industri Pertanian, Fakultas Teknologi Pertanian, Institut Pertanian Bogor melalui jalur SPMB. Selama menjadi mahasiswa penulis aktif dalam kegiatan organisasi dan Kepanitiaan kegiatan baik lingkup internal maupun eksternal, antara lain penulis pernah aktif di Organisasi BEM TPB IPB periode 2007-2008 sebagai Staf Pengembangan Minat dan Bakat dan pada periode 2009-2010 penulis juga aktif sebagai Staf Kebijakan Daerah di BEM KM IPB. Selama menjadi mahasiswa penulis juga aktif di dunia Basket yaitu menjadi Ketua Club Basket Fakultas Teknologi Pertanian Periode 2010-2011. Pada tahun 2008 penulis menjadi Ketua TPB (Tingkat Persiapan Bersama) CUP BEM TPB IPB dan pada tahun 2010 penulis menjadi Ketua Pelaksana Bedah Bogor 2010 BEM KM IPB. Selain itu selama berkuliah di IPB penulis juga pernah menjadi Finalis Lomba Karya Tulis Ilmiah Atsiri Fair tingkat nasional yang diselenggarakan oleh Himpunan Mahasiswa Teknologi Industri Pertanian di Gedung Alumni IPB, Bogor, Jawa Barat. Penulis juga pernah melakukan praktek lapang di PT. Goodyear Indonesia, Tbk. untuk mempelajari bidang Customer Relationship Management.
KATA PENGANTAR
Alhamdulillah, Puji syukur penulis panjatkan kepada Allah SWT, karena dengan rahmatNya penulis dapat menyelesaikan skripsi yang berjudul “Customer Relationship Management Untuk Penetapan Strategi Penjualan Menggunakan Teknik Associative Rules Mining ”. Keberhasilan atas pembuatan skripsi ini tidak lepas dari bantuan orang-orang di sekeliling penulis, maka dari itu penulis mengucapkan terima kasih kepada: 1. Orang tua dan keluarga penulis, Ayahanda Haryono Irfanda, Ibunda Ida Latifah, Kakak Iis Nofriadani dan Muhammad Hadid Putra, SP. Terima kasih atas curahan kasih sayang dan dukungannya selama ini terhadap penulis. 2. Dr. Eng. Taufik Djatna, S.T.P, MSi. selaku pembimbing akademik penulis, terima kasih atas segala bimbingannya. 3. Bapak Bapak Dr. Ir. Sukardi, MM dan Ibu Dr. Ir. Indah Yuliasih, M.Si. selaku tim penguji, terima kasih atas segala bimbingan dan saran terhadap penulis. 4. Dosen dan Staf Teknologi Industri Pertanian, Fakultas Teknologi Pertanian, Institut Pertanian Bogor 5. Resa Denasta Syarif, terima kasih atas dukungan dan semangatnya untuk selalu memberikan dorongan motivasi kepada penulis 6. Novina Eka S, Firdaus Karimuddin, Pralingga Saputra, Agung Utomo, Ayuningtyas, Zafira Kanara, Irfina Febianti, Rizky Bachtiar, Khairunnisa, Septiyanni, Shiva Amwaliya, Lutvi Setiono, Nova Afriyanti, Eko Nopianto, Iqbal Ardiwibowo, Muthia Dwi Astri, Mas Teguh, Kak Syaifudin, Kak Faqih, terima kasih atas persahabatan dan rasa kekeluargaan temanteman dan kakak-kakak selama di Labkom dan di lingkungan TIN FATETA IPB. 7. Teman-teman mahasiswa Jurusan Teknologi Industri Pertanian, Fakultas Teknologi Pertanian, dan Institut Pertanian Bogor yang telah mendukung penulis selama ini dan membantu penulis selama menimba ilmu di jurusan Teknologi Industri Pertanian. 8. Teman-Teman Club Basket Fateta IPB, Jakda BEM KM IPB 2010, PEMIKAT BEM TPB 2008. 9. Teman-teman Pondok Handayani Balio, Darmaga, Bogor. 10. Seluruh pihak yang telah membantu penulis dalam pelaksanaan dan penyusunan skripsi ini.
Bogor, Juni 2011
Triyoda Arrahman
xi
DAFTAR ISI
Halaman
I. PENDAHULUAN ............................................................................................ 1 1.1 Latar Belakang ............................................................................................................... 1 1.2 Tujuan ........................................................................................................................... 2 1.3 Ruang Lingkup .............................................................................................................. 2
II. TINJAUAN PUSTAKA .................................................................................. 3 2.1 Customer Relationship Management .............................................................................. 3 2.2 Metode Pengembangan Sistem Berorientasi Objek dan Unified Modelling Languange .... 4 2.3 Ban ................................................................................................................................ 5 2.3.1 Karet (Bahan Baku Utama Ban) ........................................................................... 5 2.3.2 Sifat-Sifat Karet Alam ......................................................................................... 6 2.3.3 Penggunaan Karet Alam ...................................................................................... 6 2.3.4 Proses Pembuatan Ban ......................................................................................... 6 2.4 Penelitian Terdahulu ...................................................................................................... 9
III. METODOLOGI PENELITIAN ..................................................................... 10 3.1 Kerangka Kerja Penelitian .............................................................................................. 10 3.1.1 Analisis Sistem .................................................................................................... 10 3.1.2 Metode Pengembangan Sistem Berorientasi Objek ............................................... 11 3.1.3 Tahap Implementasi Sistem ................................................................................. 11 3.1.4 Verifikasi Sistem ................................................................................................. 11 3.2 Metode Penelitian ......................................................................................................... 12 3.2.1 Sumber Data Transaksi ........................................................................................ 12 3.2.2 Formulasi Association Rules Mining .................................................................... 14 3.2.3 Analisis RFM (Recency, Frequency, Monetary).................................................... 15 3.2.4 Desain Eksperimen .............................................................................................. 17 3.2.5 Indikator Penelitian .............................................................................................. 17
IV. ANALISIS SISTEM ...................................................................................... 18 4.1 4.2 4.3 4.4
Konfigurasi Input, Proses, Output ................................................................................... 18 Analisis Kebutuhan Informasi Penggunaan ..................................................................... 19 Hubungan Antar Pelaku ................................................................................................. 20 Kebutuhan Fungsional Sistem ........................................................................................ 20 4.4.1 Kebutuhan Perangkat Lunak dan Perangkat Keras ................................................ 20 4.4.2 Kebutuhan Tenaga ............................................................................................... 20 4.4.3 Pemeliharaan Sistem ............................................................................................ 21
xii
V. PEMODELAN OBJEK DAN BASIS DATA .................................................. 22 5.1 5.2 5.3 5.4 5.5
Use Case Diagram (Diagram Kasus) .............................................................................. 22 Activity Diagram (Diagram Aktifitas) ............................................................................. 24 Statechart Diagram (Diagram Kondisi) .......................................................................... 26 Class Diagram (Diagram Kelas)..................................................................................... 27 Desain Basis Data .......................................................................................................... 29 5.5.1 CDM (Conceptual Data Model) ........................................................................... 30 5.5.2 PDM (Physical Data Model) ................................................................................ 30
VI. IMPLEMENTASI MODEL CRM ................................................................. 33 6.1 Transformasi Desain ...................................................................................................... 33 6.2 Penetapan Strategi Penjualan Menggunakan Nilai-Nilai Association Rules Mining (Support, Confidence, Improvement) dan Analisis RFM (Recency, Frequency, Monetary) ...................................................................................................................... 33 6.3 Evaluasi ......................................................................................................................... 36 6.3.1 Verifikasi............................................................................................................. 36 6.3.2 Validasi ............................................................................................................... 42
VII. KESIMPULAN DAN SARAN ..................................................................... 45 7.1 Kesimpulan ..................................................................................................................... 45 7.2 Saran............................................................................................................................... 45
DAFTAR PUSTAKA .......................................................................................... 46 LAMPIRAN ........................................................................................................ 47
xiii
DAFTAR TABEL
Halaman Tabel 1. Variabel Harga Untuk Analisis Monetary Pada Setiap Produk .................................. 15 Tabel 2. Penetapan Strategi Penjualan 1 ................................................................................ 34 Tabel 3. Penetapan Strategi Penjualan 2 ................................................................................ 35 Tabel 4. Penetapan Strategi Penjualan 3 ................................................................................ 36 Tabel 5. Hasil Analisis Frequent Item Set K-Item Set=1 ....................................................... 37 Tabel 6. Hasil Analisis Frequent Item Set K-Item Set=2 ....................................................... 38 Tabel 7. Hasil Perhitungan Nilai Support K-Item Set=1......................................................... 41 Tabel 8. Hasil Perhitungan Nilai Support, Confidence, Improvement K-Item Set=2................ 41 Tabel 9. Jumlah Kemunculan Rules Pada Data Asli Penjualan ............................................... 44
xiv
DAFTAR GAMBAR
Halaman Gambar 1. Hevea Brasiliensis ............................................................................................... 5 Gambar 2. Tahapan Pengembangan Sistem............................................................................ 10 Gambar 3. Proses Frequent Item Set Didalam Algoritma Association Rules Mining................ 12 Gambar 4. Formulasi Association Rules Mining..................................................................... 13 Gambar 5. Analisis Pre-processing Data menggunakan Clustering K-Means......................... 14 Gambar 6. Flowchart Analisis RFM ...................................................................................... 16 Gambar 7. DFD (Data Flow Diagram) Tingkat 0 .................................................................. 18 Gambar 8. DFD (Data Flow Diagram) Tingkat 1 .................................................................. 19 Gambar 9. Diagram Kasus .................................................................................................... 23 Gambar 10. Diagram Aktifitas............................................................................................... 25 Gambar 11. Diagram Keadaan Sub Sistem Login ................................................................... 26 Gambar 12. Kelas customer dan kelas file transaksi ............................................................... 27 Gambar 13. Diagram Kelas .................................................................................................. 28 Gambar 14. CDM (Conceptual Data Model) ......................................................................... 31 Gambar 15. PDM (Physical Data Model) .............................................................................. 32 Gambar 16. Tampilan Halaman Analisis Frequent Item Set Program PSP 1.0 ........................ 38 Gambar 17. Tampilan Halaman Analisis Frequent Item Set K-Item Set=1 Program PSP 1.0 ... 39 Gambar 18. Tampilan Halaman Analisis Frequent Item Set K-Item Set=2 Program PSP 1.0 ... 39 Gambar 19. Tampilan Halaman Analisis Frequent Item Set K-Item Set=3 Program PSP 1.0 ... 40 Gambar 20. Report Hasil Analisis Association Rules Mining di Program PSP 1.0................... 42
xv
DAFTAR LAMPIRAN
Halaman Lampiran 1. Tabulasi Hasil Analisis RFM (Recency, Frequency, Monetary) .......................... 47 Lampiran 2. Tabulasi Database dalam MySQL Hasil Generate dari Diagram Kelas ............... 49 Lampiran 3. Statechart Diagram Sub Sistem Transaksi .......................................................... 50 Lampiran 4. Statechart Diagram Sub Sistem Analisis Frequent Item Set ................................ 51 Lampiran 5. Statechart Diagram Sub Sistem Penentuan Strategi Penjualan ............................ 52 Lampiran 6. Statechart Diagram Sub Sistem Perhitungan Support.......................................... 53 Lampiran 7. Statechart Diagram Sub Sistem Perhitungan Nilai Confidence ............................ 54 Lampiran 8. Statechart Diagram Sub Sistem Perhitungan Improvement.................................. 55 Lampiran 9. Proses Produksi Ban .......................................................................................... 56
xvi
I. 1.1
PENDAHULUAN
Latar Belakang
Customer Relationship Management (CRM) dapat didefinisikan sebagai integrasi dari strategi penjualan, pemasaran, dan pelayanan yang terkoordinasi. CRM menyimpan informasi pelanggan dan merekam seluruh kontak yang terjadi antara pelanggan dan perusahaan, serta membuat profil pelanggan untuk staf perusahaan yang memerlukan informasi tentang pelanggan tersebut (Tsiptsis dan Chorianopoulos, 2009). Kegiatan CRM dalam perusahaan pada dasarnya bertujuan supaya perusahaan dapat mengenali pelanggan secara lebih detail dan melayani mereka sesuai dengan kebutuhannya. Prinsip fokus terhadap pelanggan menjadi prinsip dasar penerapan CRM di perusahaan. CRM sendiri memiliki arti sebuah proses bisnis atau kegiatan marketing yang mengelola seluruh aspek dari daur hidup pelanggan, mulai acquisition, fulfillment, sampai retention. Strategi komprehensif perusahaan terhadap penerapan CRM ini membuat setiap proses dari daur hidup pelanggan dapat dimanfaatkan dengan optimal (Danardatu,2007). Peningkatan revenue perusahaan merupakan dampak yang paling bisa dirasakan. Ketika sebuah strategi cross-selling dijalankan, fokus utama perusahaan tidak lagi kepada bagaimana mendapatkan pelanggan baru yang potensial (prospecting customer), tetapi bagaimana menjual lebih banyak produk kepada pelanggan yang sudah ada (existing customer). Sebuah literatur menyebutkan bahwa biaya (cost) yang harus dikeluarkan perusahaan untuk mendapatkan pelanggan baru lebih mahal sepuluh kali lipat jika dibandingkan dengan mempertahankan pelanggan yang sudah ada. Sebagai bagian dari CRM, cross-selling harus didahului oleh analisis yang mendalam mengenai data transaksi pelanggan dengan menggunakan konsep data mining yang melibatkan proses pengambilan sumber informasi dari sebuah transaksi pelanggan yang mencakup produk apa yang mereka beli, perilaku pembelian pelanggan, dan lain-lain. Data mining dapat membantu mempercepat proses pengambilan keputusan secara cepat dan memungkinkan perusahaan untuk mengelola informasi yang terkandung di dalam data transaksi menjadi sebuah pengetahuan (knowledge). Lewat pengetahuan yang didapat, perusahaan dapat meningkatkan pendapatannya dan mengurangi biaya. Pada akhirnya di masa yang akan datang perusahaan dapat lebih kompetitif. Association rules mining (associative rules mining) adalah suatu metode data mining yang bertujuan untuk mencari sekumpulan items yang sering muncul bersamaan. Umumnya association rules mining ini dianalogikan dengan keranjang belanjaan. Dari keranjang belanjaan para pengunjung supermarket akan dapat diketahui, barang apa saja yang sering dibeli bersamaan dan barang mana saja yang tidak. Dengan begitu association rules mining dapat menjadi suatu metode yang berfungsi untuk menganalisis strategi pemasaran secara cross-selling.
1.2
1.
Tujuan Tujuan penelitian ini adalah sebagai berikut: Mendapatkan nilai support association rules mining untuk mengetahui ukuran yang menunjukkan tingkat dominasi Item Set dari keseluruhan transaksi (misalkan dari seluruh transaksi yang ada, seberapa besar kemungkinan item A dan item B dibeli secara bersamaan).
1
2.
3. 4.
1.3
Mendapatkan nilai confidence association rules mining untuk mengetahui ukuran yang menyatakan hubungan antara dua item secara conditional (misalkan seberapa sering item A dibeli, jika pelanggan membeli item B). Mendapatkan nilai improvement association rules mining untuk mengetahui ukuran yang menyatakan besarnya kemungkinan dua item dapat dibeli secara bersamaan. Mendapatkan hipotesis strategi pemasaran cross-selling CRM.
Ruang Lingkup
Penulis membatasi kajian penelitian customer relationship management untuk penetapan strategi penjualan menggunakan teknik association rules mining meliputi aspek-aspek sebagai berikut. 1. Mengidentifikasi data dan informasi transaksi penjualan mengunakan teknik data mining dengan metode association rules mining pada perusahaan yang menerapkan (CRM) Customer Relationship Management 2. Penyusunan sistem penetapan strategi penjualan (PSP) yang merupakan program pemprosesan strategi penjualan cross-selling dari data transaksi penjualan menggunakan teknik association rules mining. Data-data yang digunakan untuk melakukan verifikasi dan validasi sistem didapatkan dari salah satu perusahaan agroindustri yang bergerak dalam industri ban.
2
II. 2.1
TINJAUAN PUSTAKA
Customer Relationship Management CRM merupakan sebuah pendekatan baru dalam mengelola hubungan korporasi dan pelanggan pada level bisnis sehingga dapat memaksimumkan komunikasi dan pemasaran melalui pengelolaan berbagai kontak yang berbeda dengan pelanggan. Pendekatan ini memungkinkan untuk mempertahankan pelanggan dan memberikan nilai tambah terus menerus pada pelanggan, selain juga memperoleh keuntungan yang berkelanjutan (Anonim,2010). CRM dapat didefinisikan sebagai integrasi dari strategi penjualan, pemasaran, dan pelayanan yang terkoordinasi. CRM mencakup cross/up selling, product affinity analysis, dan product bundling yang dapat digunakan sebagai solusi alternatif dalam sistem strategi penjualan di suatu industri. Cross-selling didefinisikan sebagai "setiap tindakan atau praktek menjual antara atau di antara klien, pasar, pedagang, dll" atau "yang menjual produk tambahan atau jasa kepada satu pelanggan yang sudah ada." (Harding,2002). CRM menyimpan informasi pelanggan dan merekam seluruh kontak yang terjadi antara pelanggan dan perusahaan, serta membuat profil pelanggan untuk staf perusahaan yang memerlukan informasi tentang pelanggan tersebut (Anonim,2010) Kegiatan CRM dalam perusahaan pada dasarnya bertujuan supaya perusahaan dapat mengenali pelanggan secara lebih detail dan melayani mereka sesuai dengan kebutuhannya. Prinsip fokus terhadap pelanggan menjadi prinsip dasar penerapan CRM di perusahaan. CRM sendiri memiliki arti sebuah proses bisnis atau kegiatan marketing yang mengelola seluruh aspek dari daur hidup pelanggan, mulai acquisition, fulfillment, sampai retention. Strategi komprehensif perusahaan terhadap penerapan CRM ini membuat setiap proses dari daur hidup pelanggan dapat dimanfaatkan dengan optimal. Perusahaan tidak dapat memberikan pelayanan yang sama kepada semua pelanggan karena pada kenyataannya tidak semua pelanggan memberikan keuntungan maksimal kepada perushaaan. Sesuai dengan hukum 80 : 20, di antara 100 % pelanggan yang dimiliki perusahaan, hanya sekitar 20 % yang dapat memberikan keuntungan maksimal (Danardatu,2007). CRM menjadi semakin penting bagi semua organisasi yang ingin memberikan layanan yang lebih baik kepada konsumen mereka dengan biaya yang cukup rendah, CRM mempunyai dua tujuan utama: 1. Mempertahankan pelanggan hingga mencapai kepuasan pelanggan. 2. Pengembangan customer hingga mengerti pelanggan secara mendalam. Data mining bertujuan untuk mengekstrak pengetahuan dan arti yang mendalam dengan menganalisis data yang besar menggunakan teknik modeling yang kompleks. Data mining dalam CRM digunakan untuk: 1. Mengidentifikasi model data 2. Memahami perilaku konsumen 3. Memprediksi perilaku konsumen. (Tsiptsis dan Chorianopoulos, 2009)
2.2
Metode Pengembangan Sistem Berorientasi Objek dan Unified Modeling Languange Menurut (O’Brien,2008) proses pengembangan sistem informasi umumnya meliputi tiga tahapan proses, (1) Analisis sistem, yaitu studi mendalam mengenai informasi yang
3
dibutuhkan oleh pemakai akhir yang menghasilkan persyaratan fungsional dan digunakan sebagai dasar desain sistem informasi yang dibuat. (2) Desain Sistem merupakan serangkaian aktivitas-aktivitas desain yang menghasilkan spesifikasi sistem yang memenuhi persyaratan fungsional pada tahap analisis sistem. (3) Pengembangan pemakai akhir merupakan tahap merubah dari konsep desain pada tahap sebelumnya menjadi sebuah perangkat aplikatif yang sesuai kebutuhan pengguna akhir. Pada penelitian ini, metode pengembangan sistem yang digunakan adalah pendekatan pengembangan sistem berorientasi objek yang dapat secara cepat dan jelas memodelkan dan membangkitkan solusi seperti di dunia nyata. Tahap metode perancangan sistem menggunakan UML. Unified Modeling Language (UML) digunakan untuk menentukan, visualisasi, memodifikasi, membangun dan mendokumentasikan artifak dari sistem yang didasarkan pada pengembangan perangkat lunak berorientasi objek (Foldoc, 2001) Unified Modeling Language (UML) adalah sebuah bahasa yang telah menjadi standar dalam pemodelan untuk visualisasi, merancang dan mendokumentasikan sistem piranti lunak (Bennet et al., 2001) menambahkan UML adalah bahasa visual yang menyediakan cara bagi orang untuk menganalisis dan mendesain sebuah sistem berorientasi obyek yang bertujuan untuk menvisualisasi, konstruksi, dan dokumentasi proses pembuatan sistem. Keunggulan utama yang dimiliki pemodelan ini adalah kemampuannya dalam memodelkan menyerupai kehidupan nyata, sehingga sistem yang dihasilkan mempunyai kelebihan sebagai berikut : 1. Mempunyai sifat lebih natural, karena umumnya manusia berfikir dalam bentuk objek 2. Pembuatan sistem memakan waktu lebih cepat. 3. Memudahkan dalam proses pemeliharaa sistem, karena jika ada kesalahan, perbaikan hanya dilakukan pada bagian tersebut, tidak perlu mengurutkan dari awal. UML mendefinisikan notasi dan syntax/semantik. Notasi UML merupakan sekumpulan bentuk khusus untuk menggambarkan berbagai diagram piranti lunak. Setiap bentuk memiliki makna tertentu, sedangkan syntax UML mendefinisikan bagaimana bentuk-bentuk tersebut dapat dikombinasikan. Notasi UML terutama diturunkan dari 3 notasi yang telah ada sebelumnya: Grady Booch-OOD (Object-Oriented Design), Jim Rumbaugh-OMT (Object Modeling Technique), dan Ivar Jacobson-OOSE (Object-Oriented Software Engineering). Pada era tahun 1990-an banyak metodologi pemodelan berorientasi objek bermunculan, diantaranya adalah:(1) metodologi Booch, (2) metodologi Coad, (3) metodologi OOSE, (4) metodologi OMT, (5) metodologi Shlaer-Mellor, (6) metodologi Wirfs-Brock, dan sebagainya. Masing-masing metodologi membawa notasi sendiri-sendiri, yang mengakibatkan timbul masalah baru apabila kita bekerjasama dengan group/perusahaan lain yang menggunakan metodologi yang berlainan. Oleh karena itu, pada bulan Oktober 1994 Booch, Rumbaugh dan Jacobson, yang merupakan tiga tokoh yang metodologinya banyak digunakan, mempelopori usaha untuk penyatuan metodologi pendesainan berorientasi objek. Pada tahun 1995 dikeluarkan draft pertama dari UML (versi 0.8). Sejak tahun 1996 pengembangan tersebut dikoordinasikan oleh Object Management Group (OMG). Tahun 1997 UML versi 1.1 muncul, dan saat ini telah mencapai versi 2.0. Sejak saat itulah UML telah menjadi standar bahasa pemodelan untuk aplikasi berorientasi objek (Syaifudin, 2011). Pada dasarnya UML memuat diagram-diagram pemodelan sistem yang terdiri dari: 1. Use case diagram (diagram kasus). 2. Class diagram (diagram kelas). 3. Object diagram (diagram objek). 4. Statechart diagram (diagram keadaan).
4
5. Activity diagram (diagram aktivitas). 6. Sequence diagram (diagram urutan ). 7. Component diagram (diagram komponen). 8. Deployment diagram (diagram penyebaran). 9. Collaboration diagram (diagram kolaborasi). Namun dalam prakteknya tidak semua diagram harus dibuat,. disesuaikan dengan kebutuhan dan kompleksitas sistem yang akan dikembangkan (Nugraha,2005).
2.3
Ban 2.3.1 Karet
Gambar 1. Hevea brasiliensis (Anonim,2011) Karet merupakan politerpena yang disintesis secara alami melalui polimerisasi enzimatik isopentilpirofosfat. Unit ulangnya adalah sama sebagaimana 1,4-poliisoprena. Dimana isoprena merupakan produk degradasi utama karet. Bentuk utama dari karet alam, yang terdiri dari 97% cis-1,4-isoprena, dikenal sebagai Hevea Rubber. Hampir semua karet alam diperoleh sebagai lateks yang terdiri dari 32-35% karet dan sekitar 5% senyawa lain, termasuk asam lemak, gula, protein, sterol ester dan garam. Lateks biasa dikonversikan ke karet busa dengan aerasi mekanik yang diikuti oleh vulkanisasi (Malcom,2001). Karet adalah polimer hidrokarbon yang terkandung pada lateks beberapa jenis tumbuhan. Sumber utama produksi karet dalam perdagangan internasional adalah para atau Hevea brasiliensis (suku Euphorbiaceae). Beberapa tumbuhan lain juga menghasilkan getah lateks dengan sifat yang sedikit berbeda dari karet, seperti anggota suku ara-araan (misalnya beringin), sawo-sawoan (misalnya getah perca dan sawo manila), Euphorbiaceae lainnya, serta dandelion. Pada masa Perang Dunia II, sumbersumber ini dipakai untuk mengisi kekosongan pasokan karet dari para. Sekarang, getah perca dipakai dalam kedokteran (guttapercha), sedangkan lateks sawo manila biasa dipakai untuk permen karet (chicle). Karet industri sekarang dapat diproduksi secara sintetis dan menjadi saingan dalam industri perkaretan (Anonim,2011). Karet adalah polimer dari satuan isoprena (politerpena) yang tersusun dari 5000 hingga 10.000 satuan dalam rantai tanpa cabang. Diduga kuat, tiga ikatan pertama bersifat [[isomer|trans]] dan selanjutnya cis. Senyawa ini terkandung pada lateks pohon
5
penghasilnya. Pada suhu normal, karet tidak berbentuk (amorf). Pada suhu rendah ia akan mengkristal. Dengan meningkatnya suhu, karet akan mengembang, searah dengan sumbu panjangnya. Penurunan suhu akan mengembalikan keadaan mengembang ini. Inilah alasan mengapa karet bersifat elastis (Anonim,2011).
2.3.2 Sifat-Sifat Karet Alam Warnanya agak kecoklat-coklatan, tembus cahaya atau setengah tembus cahaya, dengan berat jenis 0,91-093. Sifat mekaniknya tergantung pada derajat vulkanisasi, sehingga dapat dihasilkan banyak jenis sampai jenis yang kaku seperti ebonite. Temperatur penggunaan yang paling tinggi sekitar 99oC, melunak pada 130oC dan terurai sekitar 200oC. Sifat isolasi listriknya berbeda karena pencampuran dengan aditif. Namun demikian, karakteristik listrik pada frekuensi tinggi, jelek. Sifat kimianya jelek terhadap ketahanan minyak dan ketahanan pelarut. Zat tersebut dapat larut dalam hidrokarbon, ester asam asetat, dan sebagainya. Karet yang kenyal agar mudah didegradasi oleh sinar UV dan ozon (Marthan,1998).
2.3.3 Penggunaan Karet Alam Karet alam banyak digunakan dalam industri-industri barang. Umumnya alat-alat yang dibuat dari karet alam sangat berguna bagi kehidupan sehari-hari maupun dalam industri seperti mesin-mesin pengerak barang yang dapat dibuat dari karet alam antara lain ban mobil, tetapi juga ditemukan dalam sekelompok produk-produk komersial, sol sepatu, segel karet, insulasi listrik, sabuk penggerak mesin besar dan mesin kecil, pipa karet, kabel, isolator, bahan-bahan pembungkus logam, aksesoris olah raga dan lain-lain. (Muis, 1992)
2.3.4 Proses Pembuatan Ban Penjelasan proses pembuatan ban mengacu dari PT. Goodyear Indonesia (2010), Bahan baku utama yang digunakan dalam pembuatan ban adalah karet. Terdapat dua jenis karet yang digunakan, yaitu karet alam dan karet sintetik. Perbedaan karet sintetik dan karet alami ini adalah dari segi tekstur, dimana karet alami bersifat keras, sedangkan karet sintetik bersifat lembek. Karet sintetik yang digunakan diimpor dari Jepang, Jerman, Belgia, Amerika, dan Korea. Selain itu digunakan bahan baku lain, yaitu benang dari jenis nilon, polyester, dan kevlar. Selain karet, bahan-bahan yang digunakan dalam pembuatan ban di PT Goodyear Indonesia, Tbk. adalah bahan kimia (chemical) yang digunakan antara lain : PIG 1202, PIG 87, PIG 72, PIG 295, PIG 450, DIROSIC, JOPLINE, HINDAX, GROGIC, STICIC. Karbon hitam (carbon black) berfungsi sebagai bahan yang memperkuat struktur ban dan ikatan polimer. Karbon hitam yang digunakan adalah CB 228, CB 510, CB 405, dan CB 599. Pada proses pembuatan ban, diperlukan bahan baku cair. Bahan baku cair yang digunakan adalah minyak yang berasal dari destilasi minyak bumi. Minyak ini berfungsi sebagai pelunak karet dan memberikan sifat lengket pada karet, minyak yang dipakai adalah sardine, urbonine, dan lucine. Bahan lain yang digunakan adalah kawat tembaga
6
yang digunakan untuk membuat bead sebagai dasar ban agar ban tidak mudah lepas dari velg saat mendapat goncangan atau tekanan, serat baja digunakan untuk melapisi breaker. Bahan dasar pembuat ban diantaranya adalah benang/kawat baja, nylon, araMid fiber, rayon, fiberglass, polyester (biasanya bahan kombinasi, misalnya benang polyester pada lapisan ban dan kawat baja pada bagian sabuk baja dan bead yang umumnya terdapat pada ban mobil penumpang radial), digunakan pula karet alam dan sintetis (terdapat puluhan jenis karet/polimer), lalu campuran kimia yang terdiri dari karbon black, silica, resin. Anti-degradants berupa antioksidan, ozonan, parafin wax, juga merupakan salah satu bahan dasar pembuat ban. Lalu bahan dasar lain adalah adhesion promoters, yaitu cobalt salt, brass untuk kawat baja, resin dan benang serta curatives, yaitu cure accelerators, activators, sulfur, dan processing aids (minyak, tackifier, peptizer, softener). Di satu ban ukuran populer 195/70R14 ban mobil penumpang untuk semua musim, mempunyai berat sekitar 8 kg yang terdiri dari : 1. 2 kg terdiri dari 30 jenis bahan karet sintetis 2. 1. 5 kg terdiri dari 8 jenis bahan karet alam 3. 2 kg terdiri dari 8 jenis bahan karbon black 4. 0. 5 kg sabuk kawat baja 5. 0. 5 kg. benang polyester dan nylon 6. 0. 5 kg bead kawat baja 7. 1. 5 kg terdiri dari 40 jenis bahan kimia, minyak dan lain-lain. Campuran umum antara bahan karet sintetis dan karet alam menurut jenis ban adalah : 1. Ban Mobil Penumpang 55% 45% 2. Ban Truk Kecil 50% 50% 3. Ban Mobil Balap 65% 35% 4. Ban Off-The-Road (giant/earthmover) 20% 80% Proses pembuatan ban digambarkan pada Lampiran 9. Secara sederhana, proses produksi ban dapat diuraikan sebagai berikut: 1.
Pencampuran Bahan Pembuatan sebuah ban radial dimulai dengan mempersiapkan berbagai jenis bahan mentah, seperti pigmen, zat-zat kimia, kurang lebih 30 jenis karet yang berbeda, benang-benang, kawat bermanik-manik (bead wire), dan sebagainya. Proses lalu dimulai dengan mencampurkan bahan-bahan dasar karet dengan oli proses, karbon hitam, pigmen, anti oksidan, akselerator, dan berbagai zat tambahan lainnya. Masing-masing dari bahan ini menambahkan sifat tertentu dari campuran (compound) ini. Semua bahan ini diaduk dalam mesin mixer yang dinamakan Banbury. Mesin ini bekerja dengan suhu yang tinggi. Bahan campuran yang panas, hitam, dan lembek ini diproses berulang kali.
2.
Pencetakan Ban Setelah itu karet ini didinginkan ke dalam beberapa bentuk. Biasanya diproses menjadi lembaran-lembaran, lalu dibawa ke mesin extruder. Kilang ini memasukkan karet di antara pasangan penggulung (roller) yang berulang-ulang sehingga menjadi komponen-komponen ban. Mereka lalu dibawa dengan ban berjalan lalu menjadi dinding samping, telapak, ataupun bagian lain dari ban.
7
Ada jenis karet yang melapisi rajutan benang yang akan menjadi badan dari ban. Rajutan ini datang dalam rol-rol yang besar dan mereka juga sama pentingnya dengan campuran karet yang dipakai. Berbagai jenis benang dipakai, termasuk polyester, rayon, atau nylon. Kebanyakan dari ban untuk kendaraan penumpang dewasa ini menggunakan badan yang terbuat dari benang polyester. 3.
Kawat Pengikat Sebuah komponen lainnya, yang berbentuk gulungan, disebut bead. Komponen ini terdiri dari kawat baja high-tensile yang berfungsi sebagai tulang ban yang akan menempel pada pinggiran velg mobil. Kawat baja tersebut diselaraskan dengan pita yang dilapis dengan karet untuk pelekat, kemudian digulung dan diikat untuk selanjutnya disatukan dengan bagian ban lainnya. Ban-ban radial dibuat menggunakan satu atau dua mesin ban. Di bagian dalam sekali dari ban ada dua lapis karet lembek sintetis yang disebut innerliner. Lapisanlapisan ini akan mengurung udara dan membuat ban menjadi tubeless
4.
Lapisan Kemudian ada dua lapisan rajutan ply. Dua strip yang dinamakan apex membuat kaku area di atas bead. Lalu ditambahkan sepasang strip chafer, yang dinamakan demikian karena keduanya mencegah kerusakan yang diakibatkan pinggiran velg ketika ban dipasang. Mesin perakit ban membentuk ban-ban radial menjadi bentuk yang sudah sangat dekat dengan dimensi final untuk memastikan bahwa semua komponen yang berjumlah banyak itu berada dalam posisi yang tepat sebelum ban masuk ke mesin pencetak.
5.
Telapak Ban Pembuat ban menambahkan sabuk baja yang menahan kebocoran dan menekan telapak ban ke permukaan jalan. Telapak ban adalah bagian terakhir yang dipasang. Setelah sebuah pemutar otomatis menjepit semua komponen sehingga menempel kuat satu dengan yang lain, ban radial yang kini disebut green tire kini siap untuk diperiksa dan disempurnakan.
6.
Pematangan atau Pemasakan Ban Alat penekan curing memberi bentuk final ban serta pola telapaknya. Alat yang digunakan untuk mencetak bentuk telapak ban disebut mold. Cetakan ini dilengkapi dengan pola telapak, kode-kode di dinding samping sebagaimana diwajibkan oleh peraturan yang berlaku. Ban-ban dipanaskan dalam temperatur lebih dari 300 derajat selama 12 hingga 25 menit tergantung ukurannya. Begitu mesin cetak terbuka, ban-ban akan keluar dari cetakannya dan langsung jatuh ke ban berjalan yang lalu akan membawanya ke bagian finish dan inspeksi terakhir.
7.
Pemeriksaan Pemeriksaan dilakukan untuk memeriksa ban yang memiliki kecacatan, walaupun hanya cacat sedikit, ban itu ditolak (reject). Sebagian dari cacat bisa dideteksi hanya
8
dengan mata dan tangan pemeriksa yang sudah terlatih, sebagian lagi baru bisa ditemukan menggunakan mesin-mesin khusus. Inspeksi tidak hanya dilakukan pada permukaan saja, ada ban yang ditarik dari lini produksi dan diperiksa dengan X-ray untuk mendeteksi kelemahan-kelemahan yang tersembunyi atau kerusakan-kerusakan internal. Di samping itu, para teknisi pengendalian mutu secara rutin membongkar ban yang diambil secara acak untuk mempelajari setiap detil dari konstruksinya yang mempengaruhi performa, kenyamanan dan keselamatan pemakai.
2.3.5 Penelitian Terdahulu Penelitian di bidang ini telah banyak dilakukan, seperti pembuatan tabulasi data untuk mengetahui frekuensi dari masing-masing item produk yang terjual bersama item produk yang lain (Bugher, 2000). Direct Marketing Association (DMA) tahun 1991 menentukan one-to-one relationship diantara product groupings. Untuk mengidentifikasi kelompok pembeli yang membeli dua atau lebih kategori produk, DMA menggunakan variabel clustering dan factor analysis. Masing-masing pelanggan dan sejarah pembeliannya dibandingkan dengan sejarah pembelian dari pelanggan yang lain sehingga dapat diketahui cluster pelanggan yang memiliki product affinity yang sama (Cashin,2003). Teknik association rules mining dapat digunakan pada perusahaan ritel terbesar di Indonesia yang menjual lebih dari 1000 item ke lebih dari 400 pelanggan tetapnya dan menghasilkan hasil penetapan strategi penjualan yang terbukti signifikan dengan membandingan hasil penelitiannya dengan data tren penjualan pada periode sebelumnya di perusahaan ritel tersebut dan terlihat bahwa kombinasi untuk masingmasing produk mengalami peningkatan yang signifikan (Adhitama, 2010). Metode lain adalah Best Next Offer dilakukan oleh Berry (2000) untuk menentukan crossselling product yang sesuai untuk salah satu bank terbesar di Amerika yang memiliki jutaan pelanggan.
9
III.
METODE PENELITIAN
3.1 Kerangka Kerja Penelitian Tahapan pengembangan sistem PSP (Penetapan Strategi Penjualan) 1.0 seperti pada Gambar 2 di bawah ini. Mulai
Analisis Sistem, keluaran: - Deskripsi Sistem - Analisis Kebutuhan Informasi - Kebutuhan Fungsional Sistem
UML, keluaran: - Diagram Kasus - Diagram Aktivitas - Diagram Keadaan - Diagram Kelas
Implementasi Sistem, keluaran: - Borland Delphi 7 (Borland, 2002) - Power Designer 15.3 (Sybase, 2010) - MySQL (Oracle, 2011) - Ms Excel (Microsoft, 2007)
Verifikasi dan Validasi
Tidak
Selesai
Gambar 2. Tahapan Pengembangan Sistem
3.1.1 Analisis Sistem Analisis sistem diawali dengan deskripsi sistem dan analisis kebutuhan informasi. Selanjutnya pembuatan persyaratan fungsional sistem yang meliputi kebutuhan data, perangkat lunak, perangkat keras, sumber daya manusia, serta pemeliharaan sistem.
10
3.1.2 Metode Pengembangan Sistem Berorientasi Objek Pemodelan yang digunakan dalam pengembangan dengan pendekatan berorientasi objek adalah Unified Modeling Language (UML). Pada tahapan ini dibuat berbagai diagram yang dibutuhkan dalam pengembangan sistem. Diagram-diagram yang dibutuhkan meliputi: a. Use case diagram (diagram kasus) Diagram ini digunakan untuk menggambarkan fungsionalitas sistem dari sudut pandang pengguna. Diagram ini menekankan pada apa yang dikerjakan sistem. Diagram ini juga menggambarkan interaksi sistem dengan pelaku (aktor) diluar sistem. b. Activity diagram (diagram aktivitas). Diagram aktivitas digunakan untuk menggambarkan aliran kerja aktivitas di dalam sistem atau dengan kata lain adalah bagaimana sistem itu mengerjakan fungsionalitas tertentu. c. Statechart diagram (diagram keadaan) Statechart diagram menggambarkan transisi dan perubahan keadaan (dari satu state ke state lainnya) suatu objek pada sistem sebagai akibat dari stimuli yang diterima. Pada umumnya statechart diagram menggambarkan class tertentu (satu class dapat memiliki lebih dari satu statechart diagram). d. Class diagram (diagram kelas) Diagram kelas merupakan diagram utama dalam pemodelan berorientasi objek. Diagram kelas digunakan untuk memperlihatkan struktur statis sistem tersebut. Kelas adalah kumpulan objek yang mempunyai atribut dan tingkah laku (operasi) yang mirip.
3.1.3 Tahap Implementasi Sistem Tahap implementasi sistem merupakan proses transformasi desain sistem menjadi sebuah sistem aplikatif atau perangkat lunak. Implementasi PSP 1.0 pada tahap desain sistem menggunakan Sybase Power Designer 15.3 (Sybase, 2010) dan untuk pembuatan model data base menggunakan MySQL (Oracle, 2011) sedangkan pada tahap pembuatan paket program menggunakan perangkat lunak Borland Delphi 7 (Borland, 2002). Dan dalam pengolahan data awal digunakan Microsoft Excel 2007 (Microsoft, 2007) untuk mendapatkan data hasil yang nantinya akan digunakan dalam melakukan verifikasi dan validasi data.
3.1.4 Verifikasi dan Validasi Sistem Verifikasi merupakan tahapan untuk mengetahui apakah program yang dibuat menghasilkan keluaran secara keseluruhan sesuai yang diinginkan. Proses verifikasi dilakukan selama pembuatan dan setelah selesai. Tahap verifikasi dilakukan dengan cara pengujian keluaran paket program dan pelacakan kesalahan sistem (testing and debuging). Dan Tahapan Validasi dilakukan dengan metode face validity. Face validity (Validitas Muka) adalah tipe validitas yang didasarkan pada penilaian selintas mengenai isi alat ukur. Apabila isi alat ukur telah tampak sesuai dengan apa yang ingin diukur maka dapat dikatakan validitas muka telah terpenuhi.
11
3.2
Metode Penelitian 3.2.1 Sumber Data Transaksi Dalam menentukan strategi cross-selling, data yang digunakan adalah transaksi penjualan salah satu perusahaan agroindustri terbesar di Indonesia yang bergerak dalam bidang industri ban. Data ini diekstrak dari data transaksi penjualan pihak distributor perusahaan di seluruh Indonesia dari bulan Maret hingga Juni 2010. Data tersebut terdiri dari atribut Nomor transaksi, Outlet, Tanggal transaksi, dan transaksi penjualan dari 16 penggolongan produk.
3.2.2 Formulasi Association Rules Mining Association rules merupakan salah satu teknik didalam data mining untuk menentukan hubungan antar item dalam suatu dataset (sekumpulan data) yang telah ditentukan. Konsep ini sendiri diturunkan dari terminologi market basket analysis, yaitu pencarian hubungan dari beberapa produk di dalam transaksi pembelian (Witten,2005). Teknik ini mencari kemungkinan kombinasi yang sering muncul (frequent) dari suatu item set (sekumpulan item). Ada dua langkah didalam algoritma ini, langkah pertama adalah melakukan perhitungan untuk menemukan frequent item set dan langkah kedua mencari kaidah asosiasi (rules) dari sekumpulan frequent item set tadi. Dalam menggunakan metode ini, terdapat tiga kriteria ukuran yaitu : 1) Support : ukuran yang menunjukkan tingkat dominasi item set dari keseluruhan transaksi (misalkan dari seluruh transaksi yang ada, seberapa besar kemungkinan item A dan item B dibeli secara bersamaan). Support ({A,B}) = Number of Transaction (A,B) 2) Confidence (probability) : ukuran yang menyatakan hubungan antara dua item secara conditional (misalkan seberapa sering item A dibeli, jika pelanggan membeli item B). Confidence (A ∪ B)=Probability (B | A) = Support (A,B) / Support (A) 3) Improvement (importance) : ukuran yang menyatakan besarnya kemungkinan dua item dapat dibeli secara bersamaan. Importance ({A,B})=Probability (A,B)/ Probability (A) * Probability (B)) (Adhitama,2010) Proses frequent item set Didalam Algoritma association rules mining dapat dilihat pada Gambar 3 dan formulasi association rules mining dapat dilihat pada Gambar 4.
Gambar 3. Proses Frequent Item Set Didalam Algoritma Association Rules Mining
12
Mulai
Analisis Data Pre-processing
Analisis Frequent Item Set
Mengitung Nilai Support N: Number of Transaction
s( X Y )
(X Y ) N
Menghitung Nilai Confidence
c( X Y )
(X Y ) (X )
Menghitung Nilai Improvement
i( X Y )
s( X Y ) s (Y ).s ( X )
Menentukan Strategi Penjualan Dengan Analisis RFM
Gambar 4. Formulasi Association Rules Mining
13
Sebelum data transaksi tersebut diolah dengan teknik association rules mining, dilakukan tahap preprocessing data terlebih dahulu. Pada penelitian ini data transaksi yang digunakan sudah dikelompokkan berdasarkan enam belas golongan produk. Penggolongan tersebut telah dibuat oleh perusahaan agroindustri ban yang menjadi sumber data transaksi untuk penelitian ini. Penggolongan ini dilakukan berdasarkan karakteristik bahan baku yang ada pada setiap produk. Penggolongan ini dapat dilakukan menggunakan clustering K-Means. Prosedur analisis pre-processing data menggunakan clustering K-Means dapat dilihat pada Gambar 5. Mulai
Menentukan Jumlah Kelompok
Menghitung Centroid
Menghitung Jarak
Mengelompokkan Berdasarkan Jarak Minimum
Adanya Perpindahan Objek
Ya
Tidak Selesai
Gambar 5. Prosedur Analisis Pre-processing Data menggunakan Clustering K-Means Enam belas penggolongan produk tersebut yaitu produk Passanger Bias (A), Passanger Broad Market (B), Passanger Broad Market Premium (C), Passanger High Performance (D), Passanger Ultra High Performance (E), Ultra Light Truck Radial (F), Light Truck Radial (G), Ultra Light Truck Bias (H), Light Truck Bias (I), Medium Bias Truck (J), EM A 21 Bias (K), EM A 3 A GDR Bias (L), EM A 3 A LDR Bias (M), Front Farm Bias (N), Rear Farm Bias (O), Ground Tire Import (P).
14
3.2.3 Analisis Recency, Frequency, Monetary (RFM) Analisis RFM digunakan untuk mengelompokkan customer berdasarkan analisis transaksi terhadap waktu pembelian, frekuensi, dan nilai nominal pembelian. Tahapan melakukan analisis RFM adalah sebagai berikut: 1. Data acquisition Tahap ini adalah tahap pengambilan data untuk input pada analisis RFM. Pada Penelitian ini, data transaksi dari empat bulan terakhir yang telah diambil, diperiksa, dan disiapkan untuk operasi selanjutnya 2. Selection Of The Population To Be Segmented Hanya pelanggan yang masih aktif, yang disegmentasi menggunakan analisis RFM 3. Data preparation And Computation Of The R, F, and M Measurements Pengelompokkan berdasarkan tanggal terakhir transaksi, jumlah rata-rata transaksi pembelian bulanan, nilai pembelian bulanan (mendefinisikan komponen monetary) 4. Development Of The RFM Cells Through Binning Pelanggan telah dikelompokkan berdasarkan Analisis RFM menjadi 5 grup. (Tsiptsis dan Chorianopoulos, 2009). Analisis RFM digunakan untuk mensegmentasi pelanggan berdasarkan recency, frequency, monetary pada periode 1 bulan pembukuan. Recency adalah waktu terakhir (ter-update) customer melakukan transaksi, frequency adalah jumlah produk yang dibeli oleh customer, dan monetary adalah jumlah nominal penjualan yang dilakukan oleh customer, pada pengolahan nilai monetary dilakukan dengan perhitungan jumlah frekuensi pembelian per produk yang dikali dengan variabel harga setiap produk. Variabel tersebut disamakan dengan inisial penggolongan produk yang telah dibuat pada saat tahap pre-processing data yaitu variabel huruf A sampai huruf P. Variable untuk analisis monetary dapat dilihat pada Tabel 1. Diagram alir analisis RFM pada penelitian ini dapat dilihat secara rinci pada Gambar 6. Tabel 1. Variabel Harga Untuk Analisis Monetary Pada Setiap Produk Passenger Bias (A) Passenger Broad Market (B) Passenger Broad Market Premium (C) Passenger High Performance (D) Passenger Ultra High Performance (E) Ultra Light Truck Radial (F) Light Truck Radial (G), Ultra Light Truck Bias (H) Light Truck Bias (I) Bias Truck (J) EM A 21 Bias (K) EM A 3 A GDR Bias (L) EM A 3 A LDR Bias (M) Front Farm Bias (N) Rear Farm Bias (O) Ground Tire Import (P)
15
Mulai
Data Transaksi
Analisis data transaksi (data tanggal transaksi, jumlah transaksi, dan nilai nominal transaksi) per customer
Pembuatan 5 Binning untuk analisis Recency, Frekuensi, dan Monetary
Analisis Recency dari transaksi paling baru (binning 5)- transaksi paling lama (binning 1)
Analisis Frekuensi dari transaksi terbanyak (binnig 5) – jumlah transaksi paling sedikit (binning 1)
Analisis Monetary dari transaksi dengan melakukan perkalian antar frekuensi pembelian per produk dengan variabel harga produk
Analisis RFM (Recency, Frekuensi, Monetary)
Selesai
Gambar 6. Flowchart Analisis RFM
3.2.4 Desain Eksperimen Dalam proses analisis frequent item set, banyaknya item set yang dihasilkan dari proses penyeleksian dengan menggunakan ambang batas (thresholds) sebaiknya
16
menghasilkan item set separuh dari jumlah penggolongan produk, hal ini agar item set yang dihasilkan dapat benar-benar signifikan (Adhitama,2010). Dengan metoda trial and errors, Batas parameter (tresholds) ditentukan yaitu min_support= 24.75% dan min_confidence= 25% (tresholds ini diturunkan dari minimal 430 kali kemunculan pada setiap himpunan yang disaring). Pemilihan parameter tersebut dilakukan untuk mendapatkan item set dan rules sesuai yang signifikan yang nantinya akan digunakan sebagai rules dalam menentukan strategi penjualan. Hal ini dilakukan karena data dengan jumlah yang relatif besar, jika tidak adanya pemilihan parameter yang tepat akan menyebabkan pengolahan data memakan waktu yang lama dan membutuhkan alokasi memori komputer yang lebih banyak. Dan pemilihan parameter atau ambang batas (tresholds) yang terlalu kecil juga dapat menyebabkan hasil penetapan strategi penjualan yang kurang signifikan nantinya.
3.2.5 Indikator Penelitian Kemungkinan untuk menghasilkan cross-selling product yang terbaik dari total transaksi per pelanggan pada periode tertentu adalah item dengan confidence score yang tinggi. Jadi misalkan produk pertama adalah kombinasi A dan B dengan confidence score x% berarti bahwa ketika produk A dibeli, kemungkinan produk B juga dibeli sebesar x% dari seluruh periode transaksi. Indikator kedua yang harus ditentukan adalah support score yang menentukan seberapa banyak produk A dan produk B muncul bersama-sama di dalam seluruh transaksi. Misalkan kombinasi produk C dan D memiliki support score y% mengindikasikan bahwa produk C dan produk D muncul secara bersama-sama sebesar y% dari seluruh total transaksi, sedangkan untuk kombinasi produk E dan F misalnya yang memiliki improvement score ≥ 1, mengindikasikan bahwa produk E dan F merupakan positive correlated, yang berarti bahwa jika pelanggan membeli produk E, pelanggan juga setuju untuk membeli produk F, sebaliknya jika improvement score < 1, produk E dan F merupakan negative correlated. Produk dengan negative correlated tidak dapat dijadikan sebagai saran dalam penetapan cross-selling product walaupun memiliki support score dan confidence score yang tinggi.
17
IV. 4.1
ANALISIS SISTEM
Konfigurasi Input, Proses, Output Tahapan pemodelan sistem dalam perancangan sistem berguna untuk memberikan gambaran yang jelas dalam rancang bangun dan penerapan sistem secara fisik. Pemodelan PSP 1.0 dilakukan dengan pendekatan berarah fungsi yang terdiri dari pembuatan diagram alir data (data flow diagram). Menurut Rahardini (2010), diagram alir data merupakan gambaran sistem dalam bentuk jaringan atau grafis, dari sudut pandang data yang diproses, yang mampu menggambarkan kegiatan-kegiatan yang berlangsung secara paralel. Diagram alir data dibuat secara bertahap untuk memudahkan penggambaran aliran data. Pada pembuatan model PSP 1.0, diagram alir data dibuat dari tingkat 0 hingga tingkat 1. Diagram alir data tingkat 0 menggambarkan keseluruhan sistem dengan satu proses berikut dengan sumber dan tujuan data secara jelas. Pada Gambar 7 dapat dilihat diagram alir data tingkat 0.
Transaksi Penjualan
Data transaksi penjualan
1 Menetapkan Strategi CRM Untuk Penjualan
Strategi penjualan cross selling pilihan
1
Strategi CRM Untuk Penjualan Terpilih
Database Hasil Menetapkan Strategi CRM Untuk Penjualan
Gambar 7. DFD (Data Flow Diagram) Tingkat 0 DFD tingkat 0 ini menggambarkan sumber data yang berasal dari data transaksi penjualan perusahaan. Selanjutnya data tersebut akan diolah dalam sistem penetapan strategi penjualan (PSP 1.0) dengan beberapa proses yang akan menghasilkan penetapan strategi penjualan cross selling untuk para supervisor pemasaran. Proses yang terjadi dalam PSP 1.0 ini digambarkan dalam DFD tingkat 1 pada Gambar 8.
18
Karakteristik Bahan Baku Setiap Produk
Data Karakteristik Bahan Baku Setiap Produk Transaksi Penjualan
Data Transaksi 1.1 Menghitung Clustering Produk
hasil Pengelompokkan produk
Pengelompokkan produk terpilih
Data Pengelompokkan produk terpilih hasil perhitungan support
1.2 Menghitung Associative Rules Mining
hasil perhitungan confidence
hasil perhitungan improvement
hasil analisis rules itemset
Nilai Support
hasil nilai support
Nilai Confidence hasil nilai confidence
Nilai Improvement
1.3 Menetapkan Strategi Penjualan
Hasil penetapan strategi penjualan cross selling
Strategi CRM Untuk Penjualan Terpilih
hasil nilai improvement
Rules Itemset hasil rules itemset 1
Database Hasil Menetapkan Strategi CRM Untuk Penjualan
Gambar 8. DFD (Data Flow Diagram) Tingkat 1 Pada DFD tingkat 1 ini, proses pertama yang dilakukan adalah proses perhitungan clustering untuk mengelompokkan produk sesuai dengan karakteristik bahan baku setiap produk. Data yang menjadi input tambahan selain data transaksi adalah data karakteristik bahan baku setiap produk. Kemudian hasil pengelompokkan produk akan diolah dalam proses selanjutnya yaitu proses perhitungan association rule mining yang akan menghasilkan rules item set, nilai support, confidence, dan improvement. Hasil proses inilah yang menjadi input untuk digunakan dalam proses melakukan penetapan strategi penjualan sehingga menghasilkan penetapan strategi penjualan cross selling untuk para supervisor pemasaran.
4.2
Analisis Kebutuhan Informasi Pengguna Analisis kebutuhan dimaksudkan untuk mendapatkan jenis informasi yang dibutuhkan oleh pengguna yang sekaligus juga merupakan faktor kritis penetapan strategi penjualan dalam menetapan strategi penjualan oleh supervisor pemasaran di perusahaan. Berdasarkan analisis kebutuhan yang dilakukan, dapat diidentifikasikan beberapa informasi yang dibutuhkan oleh supervisor pemasaran: 1. Informasi item set yang dijadikan rules dalam penetapan strategi penjualan 2. Informasi nilai support dalam menentukan ukuran dominasi pada semua rules. 3. Informasi nilai confidence yang digunakan untuk mengukur tingkat relasi antara rules yang ada. 4. Informasi nilai improvement yang digunakan untuk mengukur tingkat possibility dari dua produk yang akan dijual secara cross-selling.
19
5.
4.3
Informasi strategi penjualan cross-selling yang signifikan untuk diaplikasikan dalam sistem pemasaran perusahaan.
Hubungan Antar Pelaku Pelaku yang berperan dalam sistem informasi ini digolongkan menjadi tiga yaitu pelaku sumber data, pengembang sistem, serta pengguna akhir. Sumber data pada PSP 1.0 yaitu customer yang telah melakukan transaksi. Pelaku PSP 1.0 terdiri dari dua kelompok, yaitu pelaku internal dan pelaku eksternal sistem. Pelaku yang berperan secara langsung dalam pengembangan PSP 1.0 adalah pelaku internal seperti analis, administrator dan pemrogram. Dan pelaku eksternal sistem PSP 1.0 adalah supervisor pemasaran (user) dan para aktor yang berperan dalam mempengaruhi inputan untuk sistem PSP 1.0 seperti customer.
4.4
Kebutuhan Fungsional Sistem Kebutuhan fungsional untuk menjalankan PSP 1.0 meliputi kebutuhan perangkat keras, perangkat lunak, kebutuhan tenaga, serta pemeliharaan sistem.
4.4.1 Kebutuhan Perangkat Lunak dan Perangkat Keras Kebutuhan perangkat keras minimal adalah seperangkat komputer dengan spesifikasi sebagai berikut: Prosesor minimal pentium IV 1,66 GHz atau yang setara. RAM minimal adalah 512 MB. Ruang kosong pada hardisk sebesar 100 MB. Printer dan monitor sebagai media keluaran data.
Serta perangkat masukan data seperti keyboard dan mouse. Koneksi internet untuk akses database online
Sedangkan kebutuhan perangkat lunak untuk menjalankan sistem ini adalah sistem operasi Windows XP SP2 (Microsoft, 2002), Flashplayer versi 9 (Adobe, 2009), Microsoft Acces 2003 (Microsoft, 2003) sebagai manajemen basis data. Serta jaringan internet sebagai perantara akses database online (MySQL). Komponen ODBC (open connection database) yang berguna sebagai perantara untuk koneksi database MySQL (Oracle, 2011).
4.4.2 Kebutuhan Tenaga Kebutuhan tenaga pada PSP 1.0 meliputi system analyst, administrator, pemrogram, pengumpul data serta pengguna atau operator yang masing-masing mempunyai tugas, wewenang dan spesifikasi keahlian minimum. Analis sistem Analis sistem (system analyst) adalah orang yang bertindak sebagai desainer dan konseptor sebuah sistem. Keahlian khusus yang harus dimiliki oleh analisis sistem adalah mempunyai kepakaran dalam analisis sistem serta mempunyai pengetahuan tentang proses penetapan strategi penjualan menggunakan teknik association rules mining.
20
Administrator Administrator adalah orang yang bertanggung jawab terhadap keamanan data dan kebenaran informasi sistem. Keahlian yang harus dimiliki oleh administrator adalah memahami struktur data dari sistem. Pemrogram Pemrogram adalah orang yang bertindak mengimplementasikan sistem kedalam sebuah perangkat lunak. Keahlian khusus yang dimiliki administrator adalah mempunyai kemampuan dalam bahasa pengkodean dan transformasi desain ke dalam perangkat lunak. Pengumpul data Pengumpul data adalah orang yang bertanggung jawab dalam pengumpulan dan pengujian kebenaran dari sumber data. Pengguna akhir Pengguna akhir dari PSP 1.0 ini adalah para supervisor pemasaran pada sebuah perusahaan untuk menetapkan strategi penjualan cross selling pada sistem manajemen pemasarannya. Kemampuan dasar yang harus dimiliki adalah mampu mengoperasikan sistem secara baik serta mengetahui pengoperasian komputer secara umum.
4.4.3 Pemeliharaan Sistem Pemeliharaan sistem meliputi perbaruan dan pemeliharaan data serta merancang bangun ulang sistem yang ada guna memenuhi perubahan kebutuhan pengguna akhir. Rancang bangun ulang pada pemeliharaan sistem dilakukan karena beberapa alasan antara lain program mengalami kerusakan baik oleh pihak luar maupun karena kerusakan sistem karena crash atau terdapat bug.
21
V.
PEMODELAN OBJEK DAN BASIS DATA
Pada perancangan paket program PSP 1.0, tidak semua diagram yang terdapat padaUML dibuat, karena kebutuhan pemodelan sistem yang tidak terlalu kompleks dan empat diagram yang dibuat sudah cukup relevan untuk mendesain sistem PSP 1.0 ini. Diagram-diagram yang dibuat pada perancangan sistem ini meliputi diagram kasus (use case), aktivitas (activity), keadaan (state), dan kelas (class). Pada bab ini juga akan dibahas pembuatan pemodolen basis data yang dibuat dari hasil men-generate class diagram pada UML sehingga terbentuk PDM (Physical Data Model) yang kemudian di-generate menjadi database menggunakan MySQL. Pembuatan diagram-diagram UML dilakukan dengan alat bantu perangkat lunak SybasePower Designer 15.3.
5.1
Use Case Diagram (Diagram Kasus)
Langkah awal dalam perancangan sistem berorientasi obyek adalah dengan membuat diagram kasus. Diagram kasus menggambarkan fungsionalitas yang diharapkan dari sebuah sistem yang memperlihatkan apa yang akan dilakukan oleh sistem dan bukan bagaimana sistem itu melakukan. Diagram tersebut dihasilkan karena adanya interaksi pelaku (actor) yang berinteraksi dengan sistem tersebut atau dapat juga dihasilkan dari kebutuhan pengguna terhadap sistem. Diagram kasus dapat digunakan sebagai prosedur awal pengujian sistem, membantu dalam menyusun kebutuhan sistem, mengkomunikasikan rancangan dengan pihak lain, dan merancang tes case semua fitur yang ada pada sistem. Diagram kasus terdiri dari tiga buah notasi utama yaitu actor (pelaku), case (kejadian/perilaku), dan relationship (hubungan). Sebuah sistem dibatasi oleh area berbetuk persegi yang diberi nama sesuai dengan nama sistem tersebut. Selanjutnya aktor yang berperan terhadap sistem berada di luar area tersebut. Aksi atau perilaku yang dapat dilakukan sistem diletakkan dalam sebuah elips. Gambar 9 menyajikan contoh diagram kasus design sistem PSP 1.0. Berdasarkan diagram kasus pada Gambar 9, aktor utama pada PSP 1.0 adalah customer, marketing officer, supervisor pemasaran (pengguna sistem) dan manager pemasaran. Customer bertindak sebagai actor yang menjadi sumber data utama kepada sistem dengan menghasilkan data transaksasi, aksi yang dilakukan oleh sistem adalah seperti yang terlihat dalam elips, sebagai contoh adalah melakukan login Program PSP1 yang akan dilakukan oleh pengguna program (supervisor pemasaran), mengatur authentification oleh admin, dan mendata data transaksi oleh marketing officer. Notasi association yang digunakan sebagi notasi penghubung antara aktor dan case berfungsi untuk menunjukkan case apa yang akan dilakukan sistem dengan pelakunya adalah aktor. Dan notasi dependency yaitu notasi yang menghubungkan satu case dengan case lainnya berfungsi untuk menunjukkan hubungan antara case terhadap case lainnya yang merupakan di dalam satu tahapan proses yang berurutan.
22
melakukan transaksi Customer
Melakukan Log In Program PSP1 Authentification Admin mendata data transaksi
Menginput data transaksi Marketing Officer
Melaporkan data transaksi Menganalisis Frequent ItemSet
Menghitung Support Mengevaluasi target penjualan cross selling
Manager Pemasaran Menghitung Confidence
Supervisor pemasaran
Menghitung Improvement
Mengetahui perilaku transaksi pelanggan secara mendalam
Melakukan Penetapan Strategi Penjualan Cross Selling
melakukan penjualan bundle dan paket promosi base product dengan additional product-nya
Mencapai target Penjualan Cross selling
Gambar 9. Diagram Kasus
23
5.2
Activity Diagram (Diagram Aktifitas)
Diagram aktifitas merupakan diagram alir untuk mendeskripsikan aliran kerja atau aktifitas di dalam sistem. Kelebihan diagram aktivitas dibandingkan dengan diagram alir biasa adalah adanya dukungan konkurensi (pelaksanaan aktivitas secara bersama), pengiriman pesan dan swimlane (pelaku aktivitas). Diagram aktivitas juga digunakan untuk menggambarkan proses bisnis (alur kerja) suatu sistem informasi. Sebuah diagram aktivitas menunjukkan suatu alur kegiatan secara berurutan. Dan diagram aktivitas juga digunakan untuk mendeskripsikan kegiatan-kegiatan dalam sebuah operasi meskipun juga dapat digunakan untuk mendeskripsikan alur kegiatan yang lainnya seperti use case atau suatu interaksi dalam suatu design sistem. Gambar 10 adalah diagram aktifitas subsistem penetapan strategi penjualan yang terdapat pada PSP 1.0. Diagram aktivitas diawali dengan lingkaran hitam, dan diakhiri dengan lingkaran putih dengan tanda silang di dalam lingkaran. Aktivitas digambarkan dengan bentuk persegi panjang bersudut lengkung. Setiap aktivitas dihubungkan dengan anak panah dari awal hingga akhir diagram aktivitas. Sama halnya dengan diagram alir biasa, diagram aktivitas pun memiliki simbol yang sama untuk menggambarkan keputusan. Keputusan digambarkan dengan bentuk diamond, namun deskripsi kondisi yang menyertai keputusan diletakkan di luar simbol tersebut. Berdasarkan diagram aktifitas pada gambar dapat diketahui bahwa aktifitas pertama kali yang dilakukan adalah aktifitas oleh customer yaitu melakukan transaksi. Setelah transaksi diproses, transaksi tersebut akan didata oleh marketing officer dan setelah itu data yang telah dibuat akan diinput oleh marketing officer dalam sistem PSP 1.0 melalui bantuan admin. Data transaksi inilah yang akan digunakan oleh supervisor pemasaran yang nantinya akan menghasilkan output berupa penetapan strategi penjualan CRM cross-selling yang optimal. Pada aktifitas authentification, sistem akan memverifikasi username dan password yang dimasukkan oleh supervisor pemasaran sebagai pengguna program. Jika username dan password yang dimasukkan cocok dengan username dan password yang telah terdaftar pada admin maka supervisor pemasaran akan dapat langsung memasuki menu halaman utama program dan dapat langsung menggunakan program. Jika tidak, maka supervisor pemasaran tidak dapat memasuki program dan harus mendaftar atau melapor terlebih dahulu kepada admin agar dapat memasuki program dengan username dan password yang diberikan oleh admin. Aktifitas yang dilakukan oleh manager pemasaran pada diagram ini adalah melakukan evaluasi target penjualan yang telah dicapai oleh supervisor pemasaran. Evaluasi ini akan menilai apakah hasil output program PSP 1.0 akurat atau tidak untuk penetapan strategi penjualan pada perusahaan. Hasil evaluasi ini nantinya akan digunakan untuk pengembangan program PSP 1.0 selanjutnya.
24
Gambar 10. Diagram Aktifitas
25
5.3
Statechart Diagram (Diagram Kondisi)
Statechart diagram adalah diagram yang menggambarkan transisi dan perubahan keadaan (dari satu state ke state lainnya) suatu objek pada sistem sebagai akibat dari stimuli yang diterima. Statechart diagram menggambarkan class tertentu (satu class dapat memiliki lebih dari satu statechart diagram). Gambar merupakan diagram keadaan subsistem login yang ada pada design sistem program penetapan strategi penjualan. Diagram keadaan subsistem login ini dapat dikatakan merupakan perincian dari diagram aktifitas, pada diagram ini aktifitas login akan semakin dirincikan keadaannya. Statechart diagram ini dimulai dengan lingkaran warna hitam penuh dan diakhiri dengan lingkaran warna hitam tidak penuh. Gambar 11 menggambarkan statechart diagram sub sistem login yang ada pada sistem PSP 1.0. Keadaan pertama yang dihasilkan adalah keadaan yang dihasilkan dari kegiatan memasukkan username dan password, jika user (supervisor) telah memasukkan username dan password maka kondisi yang terjadi adalah dilakukannya proses submit data username dan password untuk dilakukkannya authentification di tahap selanjutnya. Dari tahap authentification jika kondisi yang dihasilkan username dan password benar maka user akan langsung memasuki menu halaman utama program PSP 1.0 dan kegiatan login dinyatakan berhasil, jika keadaan password dan username salah maka user harus melakukan kegiatan confirm to admin dengan selanjutnya membutuhkan input NIP Supervisor sehingga admin dapat membantu user (supervisor) memasuki program PSP 1.0 dengan password dan username yang benar. Jika user ingin langsung keluar dari program pada saat awal kegiatan input username and password maka keadaan yang dihasilkan adalah cancel atau quit maka user akan langsung mengakhiri kegiatan login dan keluar dari program. Diagram keadaan sub sistem lainnya dapat dilihat pada Lampiran 3 sampai Lampiran 8.
Input Username and password entry / Username and password ... [Cancel or Quit]
[Input Password kembali]
[Submit data] [Password and username salah]
Confirm To Admin do / confirm ... [Confirm terproses] Get Password
authentification
do / dapatkan password ...
do / authentification ... input NIP Supervisor
[Password dan username benar]
[Input NIP Success]
entry / NIP ...
Memasuki Program do / Masuk Home ... [memulai program]
Gambar 11. Diagram Keadaan Subsistem Login
26
5.4
Class Diagram (Diagram Kelas)
Diagram kelas merupakan diagram utama dalam perancangan sistem berorientasi objek. Hal ini disebabkan karena diagram kelas adalah diagram yang menggambarkan keadaan statis sebuah sistem sebagai sebuah obyek seperti di kehidupan nyata. Tujuan pembuatan diagram kelas adalah untuk memetakan objek-objek penyusun dari sistem tersebut. Sehingga jika pada saat pemeliharaan sistem ditemukan kesalahan, programmer hanya memperbaiki pada kelas yang salah tersebut dan tidak harus merubah keseluruhan sistem. Begitu juga jika sistem tersebut akan dikembangkan, tidak perlu merubah dari awal sistem, tetapi cukup menambahkan objek-objek yang dikembangkan. Setiap obyek akan dilengkapi dengan atribut-atribut dan operasi yang dapat dilakukannya. Sebagai contoh seorang mahasiswa dan Dosen mempunyai atribut nomor induk, nama, fakultas, departemen dan lain sebagainya. Sedangkan contoh perilaku misalnya mengajar, belajar, mendengarkan, berjalan, berbicara, makan, minum dan lain sebagainya. Selanjutnya objek-objek yang mempunyai atribut dan perilaku yang hampir mirip dikelompokkan dalam satu kelas. Misalnya seorang mahasiswa dan dosen masuk dalam kelas yang sama yaitu kelas manusia begitu juga manusia dan kera termasuk dalam kelas yang lebih tinggi yaitu kelas primate (Akhmad,2011). Diagram kelas yang terdapat pada PSP 1.0 ditunjukkan pada Gambar 13. Gambar merupakan contoh kelas yang terdapat pada PSP 1.0. Pada diagram tersebut digambarkan kelas atau obyek yang menyusun sistem. Setiap kelas umumnya terdapat tiga bagian utama yaitu bagian pertama berisi nama kelas, bagian kedua merupakan atribut dari kelas tersebut, dan bagian ketiga adalah operasi yang dapat dilakukan oleh kelas tersebut. Sebagai contoh kelas customer pada Gambar 12. Customer + Nama Customer : std::string + Area : std::string + Melakukan transaksi () : void ... 0..* data customer
File Transaksi 0..* data transaksi
+ + + + -
Nama Customer Area Jenis Produk order Golongan produk order Nomor Transaksi Tanggal transaksi
: : : : : :
std::string std::string std::string std::string int int
- Menyimpan data transaksi () : void ...
Gambar 12. Kelas customer dan kelas file transaksi Pada kelas customer seperti dalam keadaan nyatanya, kelas Customer tersebut mempunyai atribut yaitu Nama Customer dan Area. Kelas Customer tersebut juga mempunyai operasi yaitu Melakukan Transaksi. Selain itu juga, kelas ini mempunyai relasi dengan kelas yang lain yaitu kelas File Transaksi, dimana customer merupakan sumber data dari File Transaksi. Kelas File Transaksi akan menerima data dari kelas Customer berupa Nama Customer, dan area yang ada pada atribut Customer.
27
0..1 Rules
0..1 rules
Perhitungan Frequent Item Set - Himpunan Item set - Bilangan item set - data transaksi
Perhitungan Support
: int : int : int
0..1 Rules
- Rules Item Set - Jumlah transaksi item set - jumlah transaksi
0..* Rules Support
- Menentukan rules item set () : void ... 0..1 Rules
- menghitung support () ... 0..1 nilai support
: int : int : int
: int 0..1 rules confidence Perhitungan Confidence
0..1 Nilai Confidence
Produk + +
Jenis Produk : std::string Golongan Produk : std::string
Customer + +
Nama Customer Area
+
Melakukan transaksi () ...
- menghitung nilai confidence () ...
: std::string : std::string
0..1 Rules
0..* data transaksi 0..1 Data transaksi
+ + + + -
0..1 Nilai support
0..1 Rules Improvement
0..1 Nilai confidence
Perhitungan Improvement - Rules Item set - Nilai support Base produk union addition al produk - nilai support base produk - nilai support additional produk
Program Penentuan Strategi Penjualan
File T ransaksi Nama Customer Area Jenis Produk order Golongan produk order Nomor T ransaksi T anggal transaksi
: : : : : :
-
std::string std::string std::string std::string int int
- Menyimpan data transaksi () ...
Rules Item Set Nilai Support Nilai Confidence Nilai Improvement
: : : :
int int int int
0..1 nilai improvement
- Menentukan Strategi Penjualan dengan men golah rules, support, confidence, improvement () ... 1..*
: void
: void
0..1 Nilai improvement
- menghitung nilai improvement () ...
: int : int : int : int
: int
strategi penjualan
0..* Data transaksi
0..* strategi penjualan
Marketing Officer : std::string : std::string
- Mendata data transaksi () - Melaporkan data transaksi () ... 0..1
: int
: int
0..* data produk
0..* data transaksi
Nama Data T ransaksi
: int : int
: void
0..* data customer
+ -
- Rules Item Set - Nilai support Base produk union addition al produk - Nilai support base Produk
Supervisor Pemasaran -
: void : void
Data transaksi 0..* Data transaksi
Username Password Data transaksi strategi penjualan target penjualan
+ -
: : : : :
std::string std::string std::string void* int
Admin - Username - Password
melakukan Log In program PSP 1 As Penggu na () mencapai target penjualan Cross Selling () mengolah strategi penjualan () menginput data transaksi ke dalam progra m PSP1 () ... 0..* 0..1 target penjualan
: void
- Log In As Admin () - Revisi data ()
: void : int
strategi penjualan
0..* strategi penjualan
Manager Pemasaran
+
: void : void
: void
0..1 target penjualan
- T arget Penjualan Cross Selling - Jumlah nominal penjualan
: std::string : std::string
Penjualan Cross selling : int : int
Evaluasi target penjualan Cross Selling () mengawasi jumlah nominal penjualan () ...
: int
0..* 0..1 jumlah nominal penjualan jumlah nominal penjualan
: int
- Strategi penjualan - Jumlah nominal penjualan +
: void* : int
menerapkan strategi penjualan cross sell ing dalam penjualan () ...
: void
Gambar 13. Diagram Kelas
28
5.5
Desain Basis Data
Basis data didefinisikan sebagai kumpulan dari data yang saling berhubungan yang diorganisasi sedemikian rupa agar kemudian dapat dimanfaatkan lagi dengan cepat dan mudah (Rahmat,2011). Definisi basis data (database) sangatlah bervariasi. Basis data dapat dianggap sebagai kumpulan data yang terkomputerisasi, diatur dan disimpan menurut salah satu cara yang memudahkan pengambilan kembali. Secara sederhana basis data dapat diungkapkan sebagai suatu pengorganisasian data dengan bantuan komputer yang memungkinkan data dapat diakses dengan mudah dan cepat. Tujuan awal dan utama dalam pengolahan data pada sebuah basis data adalah agar dapat menentukan kembali data (data yang dicari) dengan mudah dan cepat. Di samping itu, menurut (Rahmat,2011), pemanfaatan data untuk pengolahan data juga memiliki tujuan-tujuan tertentu. Secara lengkap, pemanfaatan basis data dilakukan untuk memenuhi sejumlah tujuan sebagai berikut : 1) Kecepatan dan kemudahan (speed) Pemanfaatan basis data memungkinkan untuk dapat menyimpan data atau melakukan perubahan/manipulasi terhadap data atau menampilkan kembali data tersebut dengan cepat dan mudah. 2) Efesiensi ruang penyimpanan (space) Penggunaan ruang penyimpanan di dalam basis data dilakukan untuk mengurangi jumlah redundansi (pengulangan) data, baik dengan melakukan penerapan sejumlah pengkodean atau dengan membuat relasi-relasi (dalam bentuk file) antar kelompok data yang saling berhubungan. 3) Keakuratan (accuracy) Pemanfaatan pengkodean atau pembentukan relasi antar data bersama dengan penerapan aturan/batasan tipe data, domain data, keunikan data dan sebagainya dan diterapkan dalam basis data, sangat berguna untuk menentukan ketidakakuratan pemasukan atau penyimpanan data. 4) Ketersediaan (availability) Pertumbuhan data (baik dari jumlah maupun jenisnya) sejalan dengan waktu akan semakin membutuhkan ruang penyimpanan yang besar. Data yang sudah jarang atau bahkan tidak pernah lagi digunakan dapat diatur untuk dilepaskan dari sistem basis data dengan cara penghapusan atau dengan memindahkannya ke media penyimpanan. 5) Kelengkapan (completeness) Lengkap atau tidaknya data yang dikelola bersifat relatif baik terhadap kebutuhan pemakai maupun terhadap waktu. Dalam sebuah basis data, struktur dari basis data tersebut juga harus disimpan. Untuk mengakomodasi kebutuhan kelengkapan data yang semakin berkembang, maka tidak hanya menambah record-record data, tetapi juga melakukan penambahan struktur dalam basis data. 6) Keamanan (security) Sistem keamanan digunakan untuk dapat menentukan siapa saja yang boleh menggunakan basis data dan menentukan jenis operasi apa saja yang boleh dilakukan. 7) Kebersamaan pemakai Pemakai basis data sering kali tidak terbatas hanya pada satu pemakaian saja atau oleh satu sistem aplikasi saja. Basis data yang dikelola oleh sistem (aplikasi) yang mendukung lingkungan multiuser, akan dapat memenuhi kebutuhan ini, tetapi dengan menjaga/menghindari terhadap munculnya persoalan baru seperti inkonsistensi data (karena data yang sama diubah oleh banyak pemakai pada saat bersamaan).
29
5.5.1 CDM (Conceptual Data Model) CDM adalah model yang dibuat berdasarkan anggapan bahwa dunia nyata terdiri dari koleksi obyek-obyek dasar yang dinamakan entitas (entity) serta hubungan (relationship) antara entitas-entitas itu. CDM Biasanya juga direpresentasikan dalam bentuk Entity Relationship Diagram. Penggunaan CDM bermanfaat dalam perancangan database, manfaat tersebut antara lain: Memberikan gambaran yang lengkap dari struktur basis data yaitu arti, hubungan, dan batasan batasan Alat komunikasi antar pemakai basis data, designer, dan analis. Mewakili organisasi data dalam format grafis Memverifikasi validitas data desain Menghasilkan Physical Data Model (PDM), yang menentukan pelaksanaan fisik database Menghasilkan Object-Oriented Model (OOM), yang menentukan objek representasi dari CDM menggunakan standar UML Sebuah CDM mewakili keseluruhan struktur logis dari database, yang independen dari perangkat lunak apapun atau struktur penyimpanan data. Sebuah model konseptual sering mengandung objek data yang belum diimplementasikan dalam database fisik. Ini memberikan representasi formal dari data yang diperlukan untuk menjalankan suatu perusahaan atau kegiatan bisnis (Halimsetiawan.,2009). Model data konseptual pada aplikasi sistem ini mempresentasikan rancangan basis data konseptual diserver. Model data konseptual dapat dilihat pada Gambar 14.
5.5.2 PDM (Physical Data Model) Physical data model dapat dibuat dari hasil generate CDM (conceptual data model). PDM Merupakan model yang menggunakan sejumlah tabel untuk menggambarkan data serta hubungan antara data-data tersebut. Setiap tabel mempunyai sejumlah kolom di mana setiap kolom memiliki nama yang unik. PDM : perancangan database secara fisik, tipe data bersifat lebih khusus dan spesifik. Perancangan PDM merupakan representasi fisik atau sebenarnya dari database (Halimsetiawan.,2009). Model data ini dibuat dengan cara men-generate diagram data konseptual. Diagram data fisik ini menghasilkan tabel-tabel yang digunakan dalam mengimplememntasi aplikasi. Dengan physical data model kita dapat mengetahui model fisik hasil pengembangan dari sebuah konsep. Untuk lebih jelasnya model data fisik dapat dilihat pada Gambar 15. PDM yang telah dibuat dapat langsung di-generate menjadi tabel-tabel yang berfungsi sebagai database untuk sistem PSP 1.0. Tabel-tabel tersebut dapat dilihat pada lampiran 2.
30
Rul rul es es Perhi tungan Frequent Item Set Bi l angan i tem set data transaksi
i nt i nt
Perhi tungan Support
Rul es Rul es Support
Rul es
Rul es Item Set Jum l ah transaksi i tem set j um l ah transaksi ...
i nt i nt i nt
ni l ai support rul es confi dence Perhi tungan Confi dence Produk Jeni s Produk Gol ongan Produk
varchar(254) varchar(254)
Ni l ai Confi dence
Custom er Nam a Custom er Area
varchar(254) varchar(254)
Rul es Item Set Ni l ai support Base produk uni on addi ti on al produk Ni l ai support base Produk ...
i nt
Rul es Im provem ent Ni l ai support
data transaksi
Nam a Custom er Area Jeni s Produk order Gol ongan produk order Nom or T ransaksi ...
varchar(254) varchar(254) varchar(254) varchar(254) VARCHAR(254)
Perhi tungan Im provem ent
Program Penentuan Strategi Penj ual an
Fi l e T ransaksi
Data transaksi
data produk
data custom er
data transaksi
i nt i nt
Rul es Item Set Ni l ai Support Ni l ai Confi dence Ni l ai Im provem ent ...
Rul es
i nt i nt i nt i nt
ni l ai i m provem ent Ni l ai confi i m provem dence ent
Rul es Item set ni l ai support base produk ni l ai support addi ti onal produk ...
strategi penj ual an
Penetapan Strategi Penj ual an Rul es Ni l ai Support Ni l ai Confi dence Ni l ai Im provem ent ...
Data transaksi
INT INT INT INT
M arketi ng Offi cer Data T ransaksi
varchar(254)
Data transaksi
strategi penj ual an Supervi sor Pem asaran Usernam e Password Data transaksi strategi penj ual an target penj ual an
target penj ual an Data transaksi
varchar(254) varchar(254) varchar(254) INT i nt
Adm i n
Usernam e Password
varchar(254) varchar(254)
strategi penj ual an
target penj ual an
strategi penj ual an
M anager Pem asaran T arget Penj ual an Cross Sel l i ng Jum l ah nom i nal penj ual an
i nt INT
Penj ual an Cross sel l i ng
j um l ah nom i nal penj ual an j um l ah nom i nal penj ual an
Strategi penj ual an Jum l ah nom i nal penj ual an
INT i nt
Gambar 14. CDM (Conceptual Data Model)
31
i nt i nt i nt
Associ ati on_13 Associ ati on_12
Rul rul es es
Perhi tungan Support
Perhi tungan Frequent Item Set Bi l angan i tem set
Integer
Perhi tungan Frequent Item Set
<M >
Rul es Associ ati on_11 Rul es Support
Rul es Item Set Jum l ah transaksi i tem set j um l ah transaksi Support ...
Rul es
Integer Integer Integer
Associ ati on_19
ni l ai support
rul es confi dence (D)
Produk Jeni s Produk Gol ongan Produk Produk ...
Vari abl e characters (254) Vari abl e characters (254)
Custom er ...
data produk
Vari abl e characters (254) Vari abl e characters (254)
Perhi tungan Confi dence
<M >
Rul es Item Set Ni l ai support Base produk uni on addi ti on al produk Ni l ai support base Produk
Custom er Nam a Custom er Area
<M >
Associ ati on_20
Perhi tungan Confi dence ...
<M > <M >
Integer Integer
<M >
Integer
Ni l ai Confi dence
Associ ati on_16 data custom er Ni l ai support (D)
data transaksi Associ ati on_17 data transaksi Associ ati on_15 Data transaksi
Program Penentuan Strategi Penj ual an
Fi l e T ransaksi Gol ongan produk order Nom or T ransaksi Fi l e T ransaksi ...
Vari abl e characters (254) Vari abl e characters (254)
<M > <M >
Rul es (D)
Rul es Item Set Ni l ai Support Ni l ai Confi dence Ni l ai Im provem ent
Integer Integer Integer Integer
<M >
Program Penentuan Strategi Penj ual an ... Associ ati on_22
Ni l ai iconfi dence m provem ent (D) (D) ati on_18 Associ Associ ati on_10 Rul es Im provem ent (D) Perhi tungan Im provem ent
Data transaksi M arketi ng Offi cer Area Gol ongan Produk Jeni s Produk j um l ah transaksi Nam a Custom er
Vari abl e Vari abl e Vari abl e Integer Vari abl e
characters (254) characters (254) characters (254) characters (254)
ni l ai i m provem ent
Perhi tungan Im provem ent ...
Penetapan Strategi Penj ual an Data transaksi
Rul es Item set ni l ai support base produk ni l ai support addi ti onal produk
Integer Integer Integer
Associ ati on_22 Associ ati on_14
Supervi sor Pem asaran Usernam e Password strategi penj ual an
Data transaksi
Supervi sor Pem asaran
Vari abl e characters (254) Vari abl e characters (254) Integer
Adm i n Usernam e General i zatiPassword on_2 <M > Adm i n ...
Vari abl e characters (254) Vari abl e characters (254)
<M > <M >
strategi target penj penj ual ual an an
Associ ati on_23 Associ ati on_24
strategi penj ual an
target penj ual an M anager Pem asaran Jum l ah nom i nal penj ual an M anager Pem asaran
Penj ual an Cross sel l i ng Integer
<M >
ati on_21 j um l ah nom i nal penj ualAssoci an j um l ah nom i nal penj ual an
Jum l ah nom i nal penj ual an Penj ual an Cross sel l i ng
Integer
Gambar 15. PDM (Physical Data Model)
32
<M >
VI.
IMPLEMENTASI MODEL CRM
Tahapan implementasi Model CRM ini terdiri dari dua bagian yaitu transformasi desain dan evaluasi sistem. Transformasi desain menjelaskan piranti lunak yang digunakan untuk mentransformasikan hasil rancangan model CRM menjadi suatu model PSP 1.0 yang nyata. Sedangkan tahap evaluasi sistem adalah tahap untuk melakukan verifikasi dan validasi sistem. Tahap verifikasi dilakukan dengan cara pengujian keluaran paket program dan pelacakan kesalahan sistem (testing and debuging). Dan tahap validasi dilakukan dengan cara membandingkan data pada periode selanjutnya dari data penelitian dengan hasil data yang telah diolah, sehingga hasil dari validasi dapat disimpulkan. Metode validasi sitem yang digunakan adalah metode face validity.
6.1
Transformasi Design
PSP 1.0 menggunakan bahasa pemograman Pascal yang terintegrasi dalam perangkat lunak Borland Delphi 7 (Borland, 2002) sebagai desain Graphic User Interface. Manajemen basis data pada PSP 1.0 ada dua jenis, yaitu basis data lokal (local database) dan basis data online (online database) sehingga PSP 1.0 memungkinkan diintegrasikan dengan perangkat lunak berbasis web (web based application). Manajemen basis data lokal yang digunakan adalah Microsoft Acces 2007 (Microsoft, 2007) dengan koneksi yang digunakan adalah activeX data object (ADO). Sedangkan manajemen basis data online yang digunakan adalah MySQL (Oracle, 2011) dengan koneksi yang digunakan adalah open database connection (ODBC). Manajemen basis data pada PSP 1.0 digunakan basis data lokal (local database). Manajemen basis data lokal yang digunakan adalah Microsoft Acces 2007 (Microsoft, 2007) dengan koneksi yang digunakan adalah activeX data object (ADO). Semua perangkat lunak yang digunakan tersebut dijalankan pada sebuah perangkat komputer notebook dengan spesifikasi, prosesor Intel Centrino, memori RAM 1GB. Kapasitas hardisk 160 GB.
6.2
Penetapan Strategi Penjualan Menggunakan Nilai-Nilai Association Rules Mining (Support, Confidence, Improvement) dan Analisis RFM (Recency, Frequency, Monetary).
Penetapan strategi penjualan dilakukan berdasarkan tiga indikator diatas yaitu nilai support, nilai confidence dan nilai improvement dari rules hasil analisis frekuent item set serta dilakukan juga penetapan strategi penjualan dengan menggunakan analisis RFM yang telah diolah dari data transaksi penjualan pada bulan May 2010. Hasil dari analisis RFM dapat dilihat pada lampiran 1. Tabulasi Hasil Analisis RFM (Recency, Frequency, Monetary). penjualan adalah sebagai berikut: 1.
Tahapan penetapan strategi
Menurut (Adhitama,2010), produk dengan nilai support terbesar dapat dijual secara bundling (paket) dengan produk dengan nilai support terkecil. Hal ini dilakukan agar produk yang paling dominan dibeli dapat membantu meningkatkan dominasi produk yang paling tidak dominan dan antara produk tersebut dapat saling melengkapi. Pada penelitian ini nilai support terbesar adalah pada produk B dan nilai support terkecil terdapat pada produk A, N, dan P sehingga dapat ditetapkan bahwa produk B akan dapat dijual bersamaan dengan produk A,
33
atau produk N, atau produk P. Melalui analisis RFM dengan mengacu pada lampiran 1. Tabel hasil analisis RFM, strategi ini sebaiknya dijual pada customer dengan nilai binning frekuensi dan recency tertinggi (binning 5) yaitu pada CV. Laju Jaya, PT. Candra Buana Mandiri, CV. Sinar Rejeki Jaya, PT. Linda Hanta Wijaya, PT Arviapratama Tiara, PT Salawati Motorindo, PT. Karaya Suka Abadi Padang, PT Putra Andalas Nusantara. Dengan begitu, diharapkan paket bundle dapat terjual semaksimal mungkin karena ditujukan untuk customer yang paling sering melakukan penjualan dengan frekuensi besar dan bersifat loyal pada perusahaan. Dan dalam hal monetary, strategi ini sebaiknya ditujukan untuk customer CV. Sinar Rejeki Jaya, PT. Centradist Partsindo Utama, CV Laju Jaya, PT. Christa Karya Mandiri. Hal ini karena customer tersebut dinilai paling banyak membeli produk B. Acuan untuk menetapkan strategi penjualan tahap ini dapat dilihat pada Tabel 2. 2.
Rules yang memiliki nilai terbesar dari hasil perkalian antara nilai support dan nilai confidence dapat dijadikan untuk penetapan strategi penjualan cross-selling (Novrina,2010). Pada penelitian ini rules yang memiliki nilai tebesar terbesar dari hasil perkalian antara nilai support dan nilai confidence adalah rules If Buy B Then Buy D. Dalam Analisis RFM, strategi penjualan ini ditujukan untuk customer yang memiliki nilai frekuensi tertinggi yaitu CV. Laju Jaya, PT. Candra Buana Mandiri, CV. Sinar Rejeki Jaya, PT. Linda Hanta Wijaya , PT Arviapratama Tiara, PT Salawati Motorindo, PT. Karaya Suka Abadi Padang, PT Putra Andalas Nusantara. Hal ini dilakukan karena produk yang memiliki nilai perkalian support dan confidence tertinggi adalah produk yang paling digemari oleh customer sehingga sangat tepat jika dijual pada customer yang melakukan penjualan dalam frekuensi besar dan bersifat loyal pada perusahaan. Strategi ini juga sangat tepat ditujukan untuk CV. Laju Jaya karena customer CV. Laju Jaya yang melakukan pembelian B dan D secara bersamaan dengan monetary tertinggi. Acuan untuk menetapkan strategi penjualan tahap ini dapat dilihat pada Tabel 3. Tabel 2. Penetapan Strategi Penjualan 1 Result of Calculating of Support Score Product Support Product A 0.01 Product B 0.55 Product C 0.42 Product D 0.51 Product E 0.11 Product F 0.48 Product G 0.48 Product H 0.48 Product I 0.51 Product J 0.50 Product K 0.04 Product L 0.12 Product M 0.07 Product N 0.01 Product O 0.16 Product P 0.01
34
Tabel 3. Penetapan Strategi Penjualan 2 If Antecedent then Consequent If Buy B Then Buy J If Buy B Then Buy H If Buy B Then Buy G If Buy B Then Buy D If Buy B Then Buy F If Buy B Then Buy I If Buy D Then Buy F If Buy D Then Buy G If Buy D Then Buy I If Buy F Then Buy H If Buy G Then Buy I If Buy H Then Buy I If Buy H Then Buy J If Buy I Then Buy J
Score of Support X Confidence 0.1383 0.1418 0.1372 0.1817 0.1441 0.1303 0.1300 0.1371 0.1329 0.1382 0.1315 0.1301 0.1289 0.1285
3.
Penetapan strategi pemasaran dapat dilakukan dengan melihat nilai nominal cross-selling dari strategi penjualan yang akan dilakukan (Tsiptsis dan Chorianopoulos, 2009). Semakin besar nilai cross selling pada suatu rules maka akan semakin meningkatkan revenue perusahaan serta dapat semakin meningkatkan pelayanan CRM pada customer. Pada umumnya rules yang dihasilkan pada penelitian ini merupakan rules yang memiliki nilai cross-selling yang cukup signifikan artinya perbedaan nilai antar produk yang ada pada rules sangat signifikan sehingga hal ini dinilai dapat semakin melengkapi antara produk yang memiliki nilai yang relatif rendah dengan produk yang memiliki nilai relatif tinggi. Strategi ini sebaiknya ditujukan untuk customer yang juga memiliki ukuran binning recency dan frequency tertinggi agar customer tersebut dapat melakukan pembelian pada strategi ini dalam jumlah banyak dan maksimal yaitu pada customer CV. Laju Jaya, PT. Candra Buana Mandiri, CV. Sinar Rejeki Jaya, PT. Linda Hanta Wijaya, PT Arviapratama Tiara, PT Salawati Motorindo, PT. Karaya Suka Abadi Padang, PT Putra Andalas Nusantara. Dari hasil penelitian, rules yang memiliki nilai cross selling yang signifikan tersebut juga memiliki nilai confidence diatas 50% sehingga ini semakin menguatkan bahwa rules tersebut dapat digunakan dalam penetapan strategi penjualan cross-selling. Rules tersebut dapat dilihat pada Tabel 4.
4.
Misalkan sebuah rules terdiri dari if buy B then buy F memiliki Improvement score ≥ 1, mengindikasikan bahwa produk E dan F merupakan positive correlated, yang berarti bahwa jika pelanggan membeli produk E, pelanggan juga setuju untuk membeli produk F, sebaliknya jika improvement score < 1, produk E dan F merupakan negative correlated (Adhitama,2010). Rules yang memiliki Nilai improvement lebih dari 1 dapat digunakan dalam penetapan strategi penjualan. Hal ini karena nilai improvement menyatakan besarnya kemungkinan dua item dapat dibeli secara bersamaan sehingga semakin besar nilai improvement maka mengindikasikan semakin besar juga peluang terjualnya kedua produk secara bersamaan. Pada penelitian ini nilai improvement terbesar adalah pada rules If Buy B Then Buy D dengan nilai 1.128. Dan dengan analisis RFM rules tersebut,
35
strategi ini tepatnya ditujukan untuk CV. Laju Jaya, hal ini karena customer tersebut melakukan transaksi pembelian B dengan D dalam jumlah monetary yang besar. Acuan untuk menetapkan strategi penjualan tahap ini dapat dilihat pada Tabel 4. Tabel 4. Penetapan Strategi Penjualan 3 K-Item Set=2 If Antecedent then Consequent
6.3
Support
Confidence
Improvement
If Buy B Then Buy J
0.276
0.502
1.005
If Buy B Then Buy H
0.279
0.508
1.049
If Buy B Then Buy G
0.275
0.499
1.043
If Buy B Then Buy D
0.316
0.575
1.128
If Buy B Then Buy F
0.282
0.512
1.059
If Buy B Then Buy I
0.268
0.487
0.954
If Buy D Then Buy F If Buy D Then Buy G If Buy D Then Buy I If Buy F Then Buy H If Buy G Then Buy I If Buy H Then Buy I If Buy H Then Buy J
0.257 0.264 0.26 0.258 0.251 0.251 0.25
0.505 0.519 0.511 0.535 0.524 0.518 0.516
1.044 1.083 1 1.104 1.026 1.015 1.034
If Buy I Then Buy J
0.256
0.502
1.005
Evaluasi Sistem
Pada tahap evaluasi sistem dilakukan tahapan verifikasi dan validasi sistem. Verifikasi dimaksudkan untuk menguji program dengan melakukan pengaturan masukan dan melakukan pengecekan untuk melihat kesesuaian dengan keluaran. Pengujian bertujuan untuk mengetahui kemampuan program dalam melakukan simulasi sesuai dengan yang diinginkan. Pengujian tersebut dengan membandingkan hasil hasil perhitungan dari sistem yang telah dibuat dengan hasil perhitungan menggunakan alat bantu lain (software). PSP 1.0 diuji dengan menggunakan software Microsoft Excel 2007 untuk membandingkan hasilnya dengan keluaran dari PSP 1.0. Dalam paket program PSP 1.0, terdapat beberapa perhitungan kompleks untuk menentukan strategi penjualan. Perhitungan tersebut antara lain analisis frequent Item Set dan penetapan strategi penjualan menggunakan nilai-nilai association rules mining (support, confidence, improvement score). Validasi dimaksudkan untuk menguji kebenaran hasil pengolahan data dengan membandingkan hasil pengolahan data dengan hasil pada keaadaan nyata di periode selanjutnya. Validasi adalah proses penentuan apakah model sebagai konseptualisasi atau abstraksi merupakan representasi yang berarti dan akurat dari sistem nyata. Metode yang digunakan dalam tahap validasi sistem PSP 1.0 adalah metode face validity.
6.3.1 Verifikasi Sistem Verifikasi adalah pemeriksaan apakah program komputer simulasi berjalan sesuai dengan yang diinginkan, dengan pemeriksaan program komputer. Verifikasi memeriksa penerjemahan model simulasi konseptual (diagram alur dan asumsi) ke dalam bahasa
36
pemrograman secara benar. Tahap verifikasi pada sistem dilakukan pada dua hal yaitu verifikasi perhitungan frequent item set, dan perhitungan nilai-nilai association rules mining (support, confidence, improvement). 1. Perhitungan Frequent Item Set Perhitungan frequent item set adalah tahap pertama yang dilakukan pada proses analisis data dalam penetapan strategi penjualan menggunakan teknik association rules mining. Tahap ini dilakukan untuk mendapatkan rules yang signifikan yang nantinya akan digunakan di dalam perhitungan nilai-nilai yang dibutuhkan untuk menetapkan strategi penjualan secara cross selling (nilai support, improvement, dan confidence). Kegiatan yang dilakukan pada tahap ini adalah menentukan nilai bilangan Item Set yang akan menjadi nilai item set untuk semua persilangan himpunan yang mungkin terjadi pada tahap analisis frequent item set. Pada penelitian ini ditetapkan nilai bilangan item set adalah 430. Penetapan ini didasarkan pada proses trial and eror yang dilakukan dalam melakukan analisis frequent item set, dari hasil trial and eror disimpulkan nilai Item Set 430 cukup relevan untuk ditetapkan dalam perhitungan frequent item set penelitian ini karena menghasilkan jumlah item set dibawah jumlah himpunan penggolongan produk, dimana jumlah himpunan penggolongan sebanyak 16 dan jumlah item set dari nilai item set 430 adalah 14 item set sehingga jumlah 14 ini cukup significan dan sesuai dengan literatur-literatur yang ada bahwa jumlah himpunan item set (rules) sebaiknya berada tidak jauh dibawah jumlah penggolongan produknya. Hasil dari analisis frequent item set dengan bilangan item set 430 menghasilkan 14 item set atau rules yang significan. Rules tersebut adalah rules yang hanya berasal dari proses analisis himpunan k-Item Set=1 (satu unsur) dan proses analisis K-item set=2 (2 unsur), sedangkan pada proses penyilangan dengan K-item set=3 (tiga unsur) tidak ditemukan satu pun himpunan yang mencapai bilangan item set 430. Rules tersebut adalah sebagai berikut. Tabel 5. Hasil Analisis Frequent Item Set K-Item Set=1 K-Item Set=1 Produk Produk B Produk C Produk D Produk F Produk G Produk H Produk I Produk J
37
Tabel 6. Hasil Analisis Frequent Item Set K-Item Set=2 K-Item Set=2 If Antecedent then Consequent If Buy B Then Buy J If Buy B Then Buy H If Buy B Then Buy G If Buy B Then Buy D If Buy B Then Buy F If Buy B Then Buy I If Buy D Then Buy F If Buy D Then Buy G If Buy D Then Buy I If Buy F Then Buy H If Buy G Then Buy I If Buy H Then Buy I If Buy H Then Buy J If Buy I Then Buy J
Gambar 16. Tampilan Halaman Analisis Frequent Item Set Program PSP 1.0
38
Gambar 17. Tampilan Halaman Analisis Frequent Item Set K-Item Set=1 Program PSP 1.0
Gambar 18. Tampilan Halaman Analisis Frequent Item Set K-Item Set=2 Program PSP 1.0
39
Gambar 19. Tampilan Halaman Analisis Frequent Item Set K-Item Set=3 Program PSP 1.0
2.
Perhitungan Nilai-Nilai Association Rules Mining (Support, Confidence, Improvement) Perhitungan nilai-nilai association rules mining adalah tahap akhir dari proses analisis data pada penelitian ini. Tahap ini adalah tahapn yang dapat dilakukan jika tahap perhitungan frequent item set telah dilakukan dan menghasilkan rules yang signifikan untuk diperhitungkan kebenarannya dengan nilai-nilai association rules mining sehingga nantinya dapat dirumuskan menjadi strategi-strategi penjualan cross selling. Nilai-nilai tersebut diantaranya adalah nilai support, nilai confidence, dan nilai improvement. Perhitungan support dilakukan untuk mengetahui ukuran yang menunjukkan tingkat dominasi item set dari keseluruhan transaksi. Perhitungan support ini dilakukan dengan membagi jumlah kemunculan data transaksi pada rules dengan jumlah keseluruhan data transaksi yang ada. Pada penelitian ini didapat nilai support tertinggi dalam K-item set= 1 adalah nilai support produk B. Kemudian pada k-item set=2 adalah nilai support tertinggi terdapat pada rules (B,D). Perhitungan confidence dilakukan untuk menghitung ukuran yang menyatakan hubungan antara dua item secara conditional (misalkan seberapa sering item Y dibeli, jika pelanggan membeli item X= (X,Y)). Perhitungan confidence ini dilakukan dengan cara:
40
pada penelitian ini didapat nilai confidence tertinggi dari seluruh rules yang ada adalah nilai confidence rules (B,D). Perhitungan improvement dilakukan untuk menghitung ukuran yang menyatakan besarnya kemungkinan dua item dapat dibeli secara bersamaan.Perhitungan improvement ini dilakukan dengan menghitung:
pada penelitian ini di dapat nilai improvement tertinggi dalam seluruh rules yang ada adalah nilai improvement rules (B,D). Berikut hasil dari seluruh hasil perhitungan nilai support, confidence, dan improvement dari seluruh rules yang ada. Tabel 7. Hasil Perhitungan Nilai Support K-Item Set=1 K-Item Set=1 Produk
Support
Product B
0.550
Produk C Produk D
0.424 0.509
Product F
0.484
Product G
0.479
Product H Product I
0.484 0.511
Product J
0.499
Tabel 8. Hasil Perhitungan Nilai Support, Confidence, Improvement K-Item Set=2
If Antecedent then Consequent If Buy B Then Buy J If Buy B Then Buy H If Buy B Then Buy G If Buy B Then Buy D If Buy B Then Buy F If Buy B Then Buy I If Buy D Then Buy F If Buy D Then Buy G If Buy D Then Buy I If Buy F Then Buy H If Buy G Then Buy I If Buy H Then Buy I If Buy H Then Buy J If Buy I Then Buy J
K-Item Set=2 Support 0.276 0.279 0.275 0.316 0.282 0.268 0.257 0.264 0.260 0.258 0.251 0.251 0.250 0.256
Confidence 0.502 0.508 0.499 0.575 0.512 0.487 0.505 0.519 0.511 0.535 0.524 0.518 0.516 0.502
Improvement 1.005 1.049 1.043 1.128 1.059 0.954 1.044 1.083 1.000 1.104 1.026 1.015 1.034 1.005
41
Gambar 20. Report Hasil Analisis Association Rules Mining di Program PSP 1.0
6.3.2 Validasi Sistem Validitas atau kesahihan menunjukan pada kemampuan suatu instrumen (alat pengukur) mengukur apa yang harus diukur (…. a valid measure if it succesfully measure the phenomenon), seseorang yang ingin mengukur tinggi harus memakai meteran, mengukur berat dengan timbangan, meteran, timbangan merupakan alat ukur yang valid dalam kasus tersebut. Dalam suatu penelitian yang melibatkan variabel/konsep yang tidak bisa diukur secara langsung, masalah validitas menjadi tidak sederhana, di dalamnya juga menyangkut penjabaran konsep dari tingkat teoritis sampai tingkat empiris (indikator), namun bagaimanapun tidak sederhananya suatu instrumen penelitian harus valid agar hasilnya dapat dipercaya (Memah, 2007). Pada penelitian ini tahap validasi dilakukan dengan metode face validity.
Face Validity Validitas Rupa (face validity) adalah validitas yang menunjukan apakah alat pengukur/instrumen penelitian dari segi rupanya nampak mengukur apa yang ingin diukur, validitas ini lebih mengacu pada bentuk dan penampilan instrumen. Validitas rupa amat penting dalam pengukuran kemampuan individu seperti pengukuran kejujuran, kecerdasan, bakat dan keterampilan (Memah, 2007). Face validity (Validitas Muka)
42
adalah tipe validitas yang didasarkan pada penilaian selintas mengenai isi alat ukur. Apabila isi alat ukur telah tampak sesuai dengan apa yang ingin diukur maka dapat dikatakan validitas muka telah terpenuhi. Dalam penelitian ini, alat ukur validitas rupa adalah data penjualan asli periode bulan maret- juni 2010. Validitas dilakukan dengan penyesuaian antara hasil strategi penjualan yang telah dibuat dengan data penjualan asli yang diolah pada penelitian ini. 1.
Pada proses validasi nilai support dinyatakan bahwa produk B adalah produk yang memiliki nilai support tertinggi atau dengan kata lain produk yang paling sering terjual karena memiliki tingkat dominasi tertinggi dibandingkan dengan produk lainnya dan Produk A, N, dan P adalah produk yang memiliki nilai support terkecil artinya produk yang paling jarang terjual karena tingkat dominasinya yang paling kecil dibandingkan produk lainnya. Pada data penelitian terlihat bahwa produk B adalah yang paling tinggi kemunculannya yaitu sebanyak 955 kali kemunculan, hal ini menyatakan bahwa hasil pengolahan nilai support sesuai dengan keadaan aslinya. Kemudian untuk produk A, N, dan P memiliki nilai kemunculan paling sedikit yaitu sebanyak hanya 17 kali, 12 kali, dan 21 kali sehingga ini menyatakan bahwa perhitungan nilai support sesuai dengan keadaan aslinya dan bersifat valid.
2. Pada proses validasi nilai confidence dinyatakan bahwa rules If Buy B Then Buy D adalah rules yang memiliki nilai confidence tertinggi artinya hubungan antara produk B dan produk D adalah produk yang paling tinggi tingkat relasinya dibandingkan dengan rules yang lainnya. Dari data penelitian dinyatakan bahwa produk B terjual bersamaan dengan produk D sebanyak 549 kali. Jumlah ini merupakan jumlah yang paling tinggi dibandingkan dengan jumlah transaksi pada rules yang lain. Hal ini menyatakan validasi untuk nilai confidence telah sesuai dengan keadaan nyatanya.
3. Pada proses validasi nilai improvement dinyatakan bahwa nilai improvement tertinggi adalah pada rules If Buy B Then Buy D artinya produk B dengan produk D adalah rules yang paling besar kemungkinannya untuk dibeli secara bersamaan. Pada data penelitian rules If Buy B Then Buy D memiliki kemunculan 549 kali. Jumlah tersebut merupakan jumlah yang tertinggi sehingga sangat tepat bahwa produk B dengan D memiliki kemungkinan yang paling besar untuk dijual secara bersamaan. 4.
Pada hasil analisis frequent item set didapat 22 rules. Rules tersebut dapat dilihat pada Tabel 9 dibawah ini.
43
Tabel 9. Jumlah Kemunculan Rules Pada Data Penjualan Bulan Maret-Juni 2010 Produk Product B Produk C Produk D Product F Product G Product H Product I Product J If Buy B Then Buy J If Buy B Then Buy H If Buy B Then Buy G If Buy B Then Buy D If Buy B Then Buy F If Buy B Then Buy I If Buy D Then Buy F If Buy D Then Buy G If Buy D Then Buy I If Buy F Then Buy H If Buy G Then Buy I If Buy H Then Buy I If Buy H Then Buy J If Buy I Then Buy J
Kemunculan 955 736 885 840 832 841 887 867 479 485 477 549 489 465 447 459 452 449 436 436 434 445
Semua rules adalah rules yang memiliki kemunculan diatas ambang batas yaitu diatas 430 kali kemunculan. Hal ini menunjukkan rules yang dihasilkan sesuai dengan ambang batas yang ditentukan. 5.
Hasil Analisis RFM menghasilkan analisis segmentasi customer berdasarkan recency, frequency, dan monetary. Pada hasil analisis recency, customer yang memiliki nilai binning recency tertinggi (Binning 5) adalah customer PT. Arviapratama Tiara. Hal ini sesuai dengan keadaan nyatanya bahwa customer tersebut melakukan pembelian paling terakhir adalah pada tanggal 26 dimana 5 hari sebelumnya dilakukan penutupan pembukuan setiap bulannya. Kemudian pada analisis frequency, customer yang memiliki nilai binning tertinggi (binning 5) adalah CV Laju Jaya. Hal ini sesuai dengan keadaan nyatanya bahwa customer tersebut melakukan pembelian dengan jumlah frekuensi tertinggi yaitu 7089 produk pada satu bulan May 2010. Dan pada analisis Monetary, hasil analisis dihasilkan dari jumlah frekuensi per produk dikalikan dengan variabel harga produk yang berupa variabel A hingga P. Hasil Analisis RFM secara lengkap terlampir pada lampiran 1.
44
VII. 7.1
KESIMPULAN DAN SARAN
Kesimpulan
Hasil penetapan strategi penjulan yang dilakukan dalam perhitungan support score, produk yang paling mendominasi item set adalah ketika pelanggan membeli produk B (produk passanger broad market) dengan nilai support score 55%. Umumnya, rules item set mempunyai nilai confidence >50%. Nilai ini digunakan dalam menentukan strategi penjualan. Nilai improvement score terbesar dalam penelitian ini (4.742) adalah jika membeli produk D (produk Passanger High Performance) kemudian membeli produk F (produk Ultra Light Truck Radial). Nilai ini menunjukkan tingkat kemungkinan dua item tersebut dapat dibeli secara bersamaan sangatlah tinggi. Dalam proses perhitungan yang telah dilakukan menghasilkan 22 rules yang dapat digunakan untuk menentukan strategi penjualan cross selling, dengan memperhatikan nilai support, confidence, dan improvement pada semua rules tersebut.
7.2
1.
2.
Saran Saran untuk penelitian selanjutnya adalah: Dalam penerapan strategi penjualan selanjutnya, kondisi bergantung kepada dimensi waktu, jika perusahaan bermaksud menerapkan strategi pemasaran cross-selling pada awal tahun, maka data transaksi yang digunakan sebaiknya adalah data transaksi selama satu tahun sebelumnya. Selain dimensi waktu dan jumlah datanya, faktor lain juga berpengaruh adalah tren penjualan dari produk-produk yang bersangkutan. Kemungkinan kombinasi produk tertentu masih relevan diterapkan ke dalam transaksi penjualan pada periode selanjutnya, namun beberapa produk tidak relevan lagi untuk diterapkan. Penggunaan analisis RFM akan lebih baik jika lebih dioptimalkan sehingga strategi penjualan cross-selling yang dihasilkan dari penggunaan teknik association rules mining dapat lebih dimaksimalkan dengan adanya segmentasi customer yang lebih individual.
45
DAFTAR PUSTAKA Adhitama, B. 2010. Determining the sales strategy using the association rules in the context of crm. Ilmu Komputer, Universitas Sriwijaya. Anonim. 2010. CRM darimana harus dimulai. Plasmedia. Anonim. 2011. Karet. http://id.wikipedia.org/wiki/Karet. [5 Mei 2011]. Bennet, Skelton, dan Lunn. 2001. Schaum’s Outlines “UML”. Vicenza: McGraw Hill. Berry, M.J.A. 2000. Mastering Data Mining – The Art and Science of Customer Relationship Management. New York: Jhon Wiley and Sons Bugher, G. 2000. Market basket analysis of sales data for a client of Cambridge technology partner. Megaputer Intelligence Inc. Cashin, J. R. 2003. Implementation of a cross-selling strategy for a large Midwestern healthcare equipment company. Department of Psychology, Southern Illinois University at Carbandole. Danardatu, A.H.2007. Pengenalan Customer Relationship. Yogyakarta: Andi. Foldoc. 2001. Unified modeling language. Harding, F. 2002. Cross-selling Success. Avon: Adams Media Indonesia, Goodyear Tbk. 2010. Dokumen PT Goodyear Indonesia. Bogor: PT Goodyear Indonesia, Tbk. Jefrey, H.H. 2009. Konsep conceptual data model [cdm] dan physical data model [pdm]. http://tutorialpemrograman.wordpress.com/2009/08/08/konsep-concep-data model-cdmdan-physical-data-model-pdm/. [7 Mei 2011]. Malcom, P. 2001. Polimer. Jakarta: Pradnya Paramita. Marthan 1998. Rubber Enginering. New Delhi: Mc Graw Hill. Memah, S. 2007. Jenis-jenis validitas. http://emab14n.blogspot.com/2007/10/tugas-ke-4-jenisjenis-validitas.html. [6 Mei 2011]. Muis. 1992. Karet:Strategi pemasaran tahun 2000 budidaya dan pengolahannya. Penebar Swadaya. Novrina. 2010. Association rule (algoritma a priori). http://novrina.staff.gunadarma.ac.id/. [10 April 2011]. Nugraha, A. S. 2005. Materi uml 1. Universitas Gunadarma O’Brien. 2008. Introductory Business Information Systems Perspective Edition 7. New York: Mc Graw Hill. Rahardini, R. 2010. Sistem Informasi Eksekutif Perencanaan Pengembangan Agroindustri Susu [skripsi]. Bogor: Departemen Teknologi Industri Pertanian, Institut Pertanian Bogor. Rahmat. 2011. Perancangan basis data. http://blog.re.or.id/perancangan-basis-data.htm. [11 Mei 2011]. Syaifudin, Akhmad. 2011. Sistem Informasi Bisnis Berbasis UML (Unified Modeling Language) Untuk Agroindustri Biopelet Limbah Pelepah Sawit [skripsi]. Bogor: Departemen Teknologi Industri Pertanian, Institut Pertanian Bogor. Tsiptsis, dan Chorianopoulus. 2009. Data Mining Techniques in CRM Inside Customer Segmentation. West Sussex: Wiley. Witten. 2005. Data mining-practical machine learning tools and techniques 2nd edition. Morgan Kaufmann Publisher.
46
Lampiran 1. Tabulasi Hasil Analisis RFM (Recency, Frequency, Monetary) No. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
Distributor ARVIAPRATAMA TIARA PT Total SURYA JAYA CV Total OTO SENTOSA SENTRA MAKMUR PT. Total UTAMA SERVICE STATION Total SINAR REJEKI JAYA CV. Total SULUNGBUDI ABADI PT Total P R I M A CV Total BANOLI MOTOR PT. Total M A J U UD Total CANDRA BUANA MANDIRI PT. Total SAMUDRA UD Total ANDI MOTOR UD Total CAHAYA SURYA CV Total ANEKA RAYA CV. Total SALAWATI MOTORINDO PT Total PERKASA BAN TOKO Total LINDA HANTA WIJAYA PT (Bppn) Total RODA MAS PD. Total KARYA SUKA ABADI PT(Jambi) Total CENTRADIST PARTSINDO UTAMA PT Total KARYA SUKA ABADI PT(Padang) Total KOPERASI KARYAWAN GOODYEAR Total SAPUTAN ADIJAYA MOTOR PT Total
Binning Recency
Binning Frekuensi
Binning Monetary 85 I + 100 G 2041 I + 1731 J + 80 O + 12 K + 158 L
5 1
1 5
2 1 3 3 3 3 3 1 3 3 3 4 5 4
4 1 5 1 2 3 4 5 4 4 4 3 1 3
2 3 4
5 3 3
1733 I + 581 J + 129 G + 64 C + 1 K 15 G + 31 C + 10 D + 5 E + 78 B + 20 F 1930 I +2448 J + 600 H + 10 D +1246 B 52 H + 104 B + 40 F 292 I + 15 J +78 H+ 104 B +10 F 50 I + 143 J + 556 H + 66 G +226 B + 80 F 778 I + 232 J + 15 G + 193 C + 1019 B 1587 I+ 2015 J + 906 H + 575 G + 214 C + 10 D +955 B +500 F 1824 I + 514 J + 208 H +851 B +6 M 1582 I + 865 J + 104 H + 25 G +13 B +50 F 1373 I + 572 J + 57 G +1001 B + 200 F +24 L 748 I + 176 J +200 B 315 I + 20 J + 65 B +2 K 1000 I + 36 J + 52 H + 77 G + 32 D +20 O 1638 I + 1720 J + 104 H +148 G + 189 C + 25 D + 71 B + 400 F + 12 O + 24 K + 114 L+ 34 M 599 I + 444 J + 78 H + 181 G + 26 C + 16 D + 20 E+ 301 B 730 I + 76 J + 75 G + 33 C+ 91 B+ 25 F+ 44 O
3
4
938 I + 367 J + 500 H + 100 G+ 1504 B + 150 F+ 48 O + 2 M
5
3
775 I + 101 J + 25 G + 80 C + 10 D + 20 E + 590 B + 33 F
1
1
6 H + 14 G + 13 C + 11 D + 4 E + 39 B + 2 F
1
1
110 I + 30 H + 91 B + 8 L
47
24 25 26 27 28 29 30 31 32 33 34 35 36 37
EKA SARI LORENA TRANSPORT PT Total LAJU JAYA CV Total SINAR JAYA GEMILANG PT Total LAKSANA CIPTA RAHARJAPT Total ANEKA PRIMA INTERNUSAPT Total KARYA SUKA ABADI PT(Palembang) Total LINDA HANTA WIJAYA PT (Smd) Total KARYA SUKA ABADI PT(Pekanbaru) Total PUTRA ANDALAS NUSANTARA PT. Total ANEKA BAN PERMAISURI TOKO Total CHRISTA KARYA MANDIRI PT Total CANDRA BUANA MANDIRI PT (JKT) Total SARI LORENA PT Total KIAN HWA WELLY SETIAWAN Total
2 2 4 4 4
1 5 2 1 2
25 J 2068 I + 1014 H + 279 G +41 C + 237 D + 8 E + 2842 B + 600 F 254 I + 86 J + 20 G + 20 D + 130 B + 20 F 100 I 500 I + 26 H + 45 G + 90 B + 20 F +122 O
2
4
1502 I + 489 J + 52 H + 76 G + 50 C +16 D +286 B +150 F + 66 O + 24 L
1
3
677 I + 478 J + 78 H +67 G + 41 D + 78 B + 125 F + 12 K + 60 L
4
3
629 I + 45 J + 182 H + 55 G + 13 C + 57 D + 95 B + 125 F
5
2
341 I + 140 J + 61 G + 26 C + 50 D + 260 B +25 F
2 4
1 4
5 H+ 10 G + 13 C + 26 B + 10 F 642 I + 124 J + 52 H + 85 G + 162 C + 41 D +1379 B +250 F
1 2 4
2 1 1
323 I + 2 E + 256 B 85 J 63 B
48
Lampiran 2. Tabulasi Database dalam MySQL Hasil Generate dari Diagram Kelas
49
Lampiran 3. Statechart Diagram Sub Sistem Transaksi Customer Order do / Order ... [TransaksiTerproses]
Marketing Officer Mendata Transaksi entry / Mendata transaksi ... [Format Data transaksi Fix]
Data transaksi tersimpan
[Data transaksi Fix]
do / menyimpan data transaksi ...
50
Lampiran 4. Statechart Diagram Sub Sistem Analisis Frequent Item Set
Menetapkan Bilangan item set entry / Jumlah Bilangan itemset ... [Fix Bilangan ItemSet]
Menetapkan Himpunan data transaksi produk do / tetapkan himpunan data ... [Fix Himpunan Data transaksi]
Menghitung kemunculan bersamaan transaksi do / hitung kemunculan bersamaan ... [Fix data jumlah kemunculan bersamaan]
[Fix Rules] Menetapkan himpunan termasuk itemset (rules) do / tetapkan himpunan itemset ...
51
Lampiran 5. Statechart Diagram Sub Sistem Penentuan Strategi Penjualan
View the highest-lowest confidence value do / view [Fix Confidence]
view the biggest positif improvement score (>1)-lowest (<1) correlated do / view ... [Fix Positif and Negatif Score Correlated] View The Biggest and Lowest Support Score do / View ... [Fix Determining Sales Strategy]
52
Lampiran 6. Statechart Diagram Sub Sistem Perhitungan Support
Menghitung Ferkuensi kemunculan transaksi do / hitung frekuensi ... [Fix Frekuensi]
Membagi dengan jumlah data transaksi do / bagi ...
[Nilai Support Fix]
53
Lampiran 7. Statechart Diagram Sub Sistem Perhitungan Nilai Confidence
Menghitung nilai support produk utama union produk tambahan
[Fix Nilai Support]
do / hitung nilai support produk utama dan tambahan ...
membagi dengan nilai support produk utama do / bagi dengan nilai support produk utama [Fix Nilai Confidence]
54
Lampiran 8. Statechart Diagram Sub Sistem Perhitungan Improvement
Menghitung nilai suport utama union produk tambahan do / hitung nilai support ... [Fix Nilai Support]
Mengalikan nilai support produk utama dan produk tambahan do / mengalikan nilai support ... [Fix nilai perkalian]
membagi nilai support produk utama union produk tambahan dengan perkalian nilai support produk utama dan produk tambahan do / membagi nilai support
[Fix Nilai Improvement]
55
Lampiran 9. Proses Produksi Ban
56
